没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报求解护士排班问题的混合精英蚂蚁系统盖斯·MJaradata,Al-Jaradat,Anas Al-Badareenb,Masri Ayobc,Mutasem Al-Smadid,Ibrahim Al-Marashdehd,Mahmoud Ash-Shuqrana,Eyas Al-OdataaJerash大学计算机科学和信息技术学院计算机科学系,26150-311 Jerash,Jordanb约旦亚喀巴亚喀巴技术大学软件工程系c马来西亚国立大学信息科学和技术学院人工智能中心数据挖掘和优化小组,43600 B。B. 班吉,马来西亚雪兰莪d应用研究和社区服务学院,伊玛目Abdurrahman Bin Faisal大学,沙特阿拉伯阿提奇莱因福奥文章历史记录:2018年1月12日收到2018年2月5日修订2018年2月22日接受在线发售2018年保留字:Metaclitics,精英蚂蚁系统外部存储器多元化强化护士排班问题A B S T R A C T研究了混合精英-蚂蚁系统的高质量和多样化解决方案的外部存储器的多样性和质量。精英蚂蚁系统采用了外部存储器,以保持搜索的多样性,同时利用解决方案空间。使用该过程,搜索的有效性和该算法的通用性,通过其一致性和效率进行测试,使用护士排班问题。结果表明,与其他系统相比,混合精英蚂蚁系统在众多数据集内的性能具有竞争力外部存储器的使用在搜索多样化的有效性证明在这项工作中。随后,这种使用提高了混合精英蚂蚁系统在不同的数据集和问题的性能©2018作者制作和主办:Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍近十年来,人员排班问题日益受到调度与排产研究者的关注。其中,护士排班问题(NRP)尤其复杂,难以解决到最优性(Brucker等人,2011年)。在医疗机构,安排护士轮班和分配一直是一项艰巨的任务。事实上,考虑到约40%的医院预算用于医疗保健人员,应采取额外的护理(Özcan,2005年)。不灵活或较差的值班表可能会影响护士的个人生活,增加工作不满,并可能导致高员工流动率,从而对患者接受的护理服务产生不利影响(Özcan,2005; Burke等人,*通讯作者。电 子 邮 件 地 址 : ghaith_jaradat@yahoo.com ( G.M.Jaradat ) ,masri@ukm.edu.my(M.Ayob)。沙特国王大学负责同行审查2003年)。 如文献中所报道的,世界各地的许多领先的医疗机构仍然手动地准备护士的值班名册(Burke等人,2003; Özcan,2007; DeCausmaecker andBerghe,2011).这种现象成为研究人员推荐和研究自动化解决方法的动机。正在进行的研究,建立一个成功的通用的问题求解器提供了建立智能系统,可以创建许多组合优化问题(COP)的实际解决方案的潜力。在寻求计算的有效性和效率,有一个快速的演变,在元计算学的研究,努力寻找高质量的解决方案,这些问题在所需的时间范围内(奥斯曼和凯利,1996年)。不同领域的许多其他研究人员,如( Alsmadi ,2016; Alsmadi 等人,2011 年, 2012 年 ;Alsmadi ,2017年a,b; 2018年; Badawi和Alsmadi,2013年,2014年)将元算法与其他算法混合,以提高寻找高质量解决方案的性能。选择蚂蚁系统(AS)解决上述问题是因为它提供了(Glover等人,2003年; Dorigo和Stützle,2010年):概率选择;有价值的信息;间接代表;和精英主义,但仍不足以在多样化和集约化之间建立平衡。https://doi.org/10.1016/j.jksuci.2018.02.0091319-1578/©2018作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.com通用汽车Jaradat等人/Journal of King Saud University379在这项研究中,我们提出了一个变种的AS称为混合精英蚂蚁系统(精英AS)。本研究将解决以下研究问题:‘‘Does the usage of external memory (a pool of varied and high-quality solutions) improve the performance of the Elitist-AS, asopposed “基于上述问题,本研究将试图实现以下目标:1. 包括一个记忆结构,以便在多样化和强化之间取得平衡;2. 整合两个辅助系统以强化搜索过程,并对搜索多样性进行控制;3. 在两种机制和内存结构之间建立一种交互作用,以辅助信息素4. 为了测试混合精英-AS的性能,将其与类似的元算法在NRP上进行比较。NRP是现实生活中常见的问题,也是一个被广泛研究的问题。因此,它成为一个合适的平台,研究人员测试的影响,外部记忆的混合精英-AS的性能在本研究中提出本文重点介绍了意大利乌迪内大学CODeS研究小组在第一届国际护士排班竞赛(INRC 2010)上推荐的NRP三轨数据集。NRP可通过将一组拥有不同技能和工作合同的护士分配到指定时间段内的一组轮班类型来解决(Burke等人,2003年)。名册受到硬约束和软约束。在名册中,必须满足硬性限制。同时,我们希望名册能符合软性限制,而名册的质素取决于名册的质素。这里,主要目标是找到一个满足每个硬约束同时最小限度地违反软约束的名册。建立一个能够满足所有约束的名册几乎是不可能的,因为它被视为NP-硬COP(Bartholdi,1981;Millar和Kiragu,1998)。排班主要是根据约束将资源放置到模式中的插槽中。INRC 2010数据集的硬约束和软约束的描述及其数学公式和目标函数由(Lü和Hao,2012)提供在介绍之后,本文的结构可以这样找到:第2节讨论了相关的工作;第3节阐述了算法及其设计;第4节解释了混合精英AS的实验结构;第5节介绍了混合精英AS产生的计算结果;第6节结束了论文得出的结论。2. 背景首先由Dorigo等人提出,1991年),AS是一种基于群体的觅食行为(又名群体智能)的元认知。蚁群系统的工作是基于蚂蚁的觅食行为,蚂蚁通过信息的传播和动态变化进行间接的信息交流,也称为信息素踪迹。这些路径的负载反映了共享的搜索经验,未来的蚂蚁将利用这些经验来更有效地解决给定的问题。AS已在许多缔约方会议中使用,并已记录了成功。外部记忆是指一种自适应的记忆结构,它以一组不同的精英解决方案的形式保存有关全局最优解的使用这种结构使搜索过程能够重新组合来自精英的样本集合允许利用关于全局最优的有价值的信息。此外,自适应存储器结构是高效和有效的混合元启发式的主要组成部分(Responsible et al., 2010年)强调记 忆 的概念,强化-exploitat ion-and diversification-exploration-(Crepinšek等人,2013年)。记忆是指算法所收集的关于目标函数分布的信息。记忆可以表示为包括Elitist-AS中的信息素踪迹的复杂结构。所获得的信息通过强化来利用,这种利用增强了当前的解决方案。典型地,该增强包括本地搜索例程(C_repinšek例如,2013年)。最近,几种元逻辑学被用于NRP。这些包括基于局部搜索和基于人口的方法如(Lü和Hao,2012; Dorigo等人,1991年;Rescue等人,2010年;Crepinšek等人,2013;Hadwan等人,2013;Santos等人,2016;Valouxis等人,2 0 1 2 年; Awadallah和Bolaji,2015; Rajeswari等人,2017; Awadallah等人,2017; Bilgin等人,2012; Burke和Curtois,2014; Nonobe,2010)。因此,在这项研究中提出了一种混合变体的精英-AS与外部记忆,迭代局部搜索(ILS)的例程,以及两种机制的强化和控制的多样化。所提出的方法的基础上的混合精英-AS的创建,然后将其应用到NRP的快速方法。3. 该算法这项研究扩展了外部记忆对混合精英- AS的性能和一般性的影响的详细审查(Jaradat等人,2016年; Jaradat和Ayob,2010年)通过使用该系统对INRC2010的数据集进行传导测试。与传统AS相比,我们的混合精英AS的主要优势在于:1. 采用ILS程序,在保持多样性的同时进一步增强解决方案;2. 增加了一个强化机制,通过更有效地探索精英解的邻居来执行显著的增强;3. 增加多样化机制,在搜索过程停滞时再次触发搜索过程;4. 添加与信息素矩阵内容不同的外部存储器来存储精英解,以作为朝向全局解的引导。我们的Elitist-AS的能力应该通过将其与ILS混合以及应用多样化和集约化的机制来提高,并为精英解决方案的存储提供外部存储器。混合精英-AS的通用伪代码和流程图可以在图1和图2中查看(参见附录A)。算法首先初始化所有参数(步骤1)。然后(步骤2),每个蚂蚁使用由两个信息素跟踪矩阵引导的概率规则从头开始(空名册)构建解决方案,所述信息素跟踪矩阵表示为护士的可用轮班和技能的列表在概率规则中,即护士轮班和护士技能分配对借助于难度排序启发式的最大程度(LD)来加权换句话说,非计划护士是根据冲突护士的最大数量排序的。技能和轮班的选择是基于信息素信息;如果护士被分配到这些技能和轮班,则存在许多硬性违规。概率规则确保一定程度的随机性;其中它可以减少380通用汽车Jaradat等人/Journal of King Saud UniversityFig. 1.混合精英-AS的通用伪码(Jaradat等人, 2016年)。过早收敛的概率通过护士轮班和护士轮班分配的成本简单地呈现了信息素踪迹的价值。在步骤2之后,具有最少数量的未调度护士的蚂蚁在构建阶段,我们表示两个信息素矩阵的权重的优选最小的惩罚成本分配的护士到一个技能和转移的基础上以前的蚂蚁的经验。至于改进阶段,我们将信息素踪迹表示为对解的显著扰动改进的估计。信息素踪迹矩阵更新如下。每只蚂蚁只使用本地信息为每个护士,其中包括一个启发式函数和信息素线索构建一个名册。此外,蚂蚁使用一个列表来跟踪它已经分配到轮班和技能的护士,并存储到目前为止构建的部分花名册。该列表还用于防止分配已经分配的护士以迫使蚂蚁构造可行的分配。最初,每只蚂蚁选择一个护士,并将其分配到可行的班次和技能。然后,从那个护士开始,蚂蚁分配另一个护士轮班和技能,直到建立一个完整的花名册。根据(Dorigo和Stützle,2010)的概率分布,蚂蚁概率偏好分配导致最小硬约束和软约束违反的护士。 然后,两个参数(探索率和硬约束违反的权重)决定的启发式函数和信息素线索的名册建设过程中的相对影响。如果探索率等于零,则构造算法对应于随机化贪婪分配构造,并且硬约束违反的权重越高,构造的分配将越接近由LD启发式返回的分配。蚂蚁重复这些步骤,直到完成一个花名册,然后它们计算构建花名册的成本。一旦所有的蚂蚁都完成了它们的任务,信息素的踪迹就会被更新,作为一个完整的花名册。这是通过首先降低所有班次和技能的信息素跟踪一个常数因子,然后允许每个蚂蚁添加信息素的班次和技能,它已经使用。然后采用步骤3和步骤4,其中我们使用由信息素踪迹矩阵引导的ILS来ILS有四种类型的邻域结构:1. 硬约束相关的邻居o每天单班。2. 软约束相关的社区o周末。o 加班-欠班。o 替代资格。o 个人请求。o 最容易被违反的限制。3. 交换大量的个人日程o 洗牌。o 贪婪洗牌o 核心洗牌。4. 摇动溶液o 去换班吧。o 摇摆周末o 摇两个人。我们使用一个简单的下降启发式,接受第一次改进的ILS,然后采用随机下降启发式如果一个新的解决方案比当前的解决方案更好,则它被接受。然后更新外部存储器的内容和大小。外部存储器存储所发现的允许更新信息素踪迹的精英解决方案这有效地引导搜索它也用于从精英解决方案中连续迭代构建新的解决方案,而不是从头开始。由于蚂蚁数量少,信息素更新量小,混合精英-AS具有有限的多样化。然而,它有更好的能力来多样化而不是加强搜索。另一方面,精英主义战略可以保证一定程度的强化。因此,我们特别选择了ILS,因为它能够通过扰动和局部搜索阶段平衡勘探和开发(Blum和Roli,2008)。通用汽车Jaradat等人/Journal of King Saud University381如果预定义的迭代次数没有改善,则将忽略强化阶段,并将开始多样化阶段。在多样化阶段中,信息素踪迹值将被重新初始化,使得搜索可以被重新发起。将重复这些步骤,直至满足停止标准。停止准则在发现最大迭代量或全局溶液表1混合精英AS采用的参数设置。参数值蚂蚁数量= 100迭代次数100,000非改进迭代次数信息素初始值0.01蒸发率0.25e [0,1]然后在步骤5中,对于每个护士轮班和护士技能对,控制率(勘探与开采)0.95e[0,1]基于信息素的持久性更新信息素踪迹和蒸发。如果蚂蚁没有选择转移和技能,相关的信息素踪迹呈指数下降到目前为止找到的这是通过在信息素更新时向全局最佳的转移和技能添加少量信息素来实现的(例如,精英策略)。最后,在对迄今为止的最佳解执行预定义数量的非改进迭代之后,采用多样化机制(步骤6)如果搜索停滞,该机制定期清除所有信息素踪迹然后,我们重复我们算法的整个过程,直到满足停止准则,找到最佳解或迭代次数达到极限(步骤7)。4. 实验装置混合Elitist-AS用于INRC 20101中超过69个NRP数据集。建议是,在每个数据集上,混合算法执行25次,每次迭代100,000次,作为每个数据集的停止条件。Intel Core i7 2.30 GHz处理器、8 GB RAM和Java NetBeans IDE v 8.1是用于实验的仪器。表1中显示的参数是通过实验确定的(例如外部存储器的大小),并根据文献(例如精英主义)。例如,在精英AS中,相对较小的群体大小是优选的(Glover等人, 2003年)。所获得的NRP测试结果示于表2中,并且最好的结果以粗体表示。该表还列出了标准偏差(Std. )的每个数据集。表2中突出显示了本研究结果与最知名研究结果之间的比较我们的混合方法还与表2中的传统Elitist-AS进行了比较。如表2所示,与最佳已知方法相比,本研究中提出的混合Elitist-AS似乎具有竞争力。同样清楚的是,我们的混合精英AS在所有数据集上都优于传统精英AS。此外,最知名的解决方案和我们的混合精英AS之间的差距也显示。零差距意味着达到最佳已知(或最佳)解决方案。与已知的最佳解决方案相比,本研究中提出的混合Elitist-AS可以产生非常好的解决方案。到目前为止,由混合Elitist-AS生成的解决方案对于69个数据集中的51个数据集是最优的。此外,就本研究的混合方法的一致性而言在这里,STD 。 由 混 合 Elitist-AS 生 成 的 时 间 序 列 是 相 当 小 的 ( 例 如 ,sprint_early_03、sprint_early_08、sprint_early_09),这表明我们的方法在解决INRC 2010方面是高效和有竞争力的。因此,这些标准的实现导致混合精英AS在不同数据集大小上的通用性。5. 计算结果和讨论本节包括对我们的混合精英AS相对于其他常规和混合方法的性能的评估,第1https://www.kuleuven-kulak.be/nrpcompetition/instances/1限制的重要性(惩罚)2.0就业人数4每解初始外部存储器大小5局部搜索程序搜索更新使用最佳蚂蚁更新全局信息素在文献中发现因此,本文的目的是:(i)评估的好处,集成的外部存储器内的混合方法提出的,和(ii)测试的通用性和consibility的建议的混合精英AS对NRP,并与其他人进行比较。混合精英-AS与几种传统的和无外部记忆的混合元认知的比较支持了外部记忆对混合精英-AS的认知影响的假设。例如,典型的遗传算法配备有池,特别是隐式记忆。也就是说,它没有多样化和高质量的解决方案(Blum和Roli,2008; Talbi,2009)。表2突出显示了本研究结果与类似方法结果的比较根据INRC2010规则,计算时间为:sprint数据集10 s,中等长度数据集10min,数据集10 h从表中可以看出如表2所示,所提出的混合精英AS优于其他基于群体的混合方法(例如,HH-GS、HABC、HS-HC和MODBCO)。例如,所提出的方法获得了优异的结果(例如,long_late_04= 221,long_hidden_05= 41)与其它方法(例如,HABC、HH-GS、HS-HC和MODBCO)。如表2所示,在任何方法中都没有使用显式存储器(例如,IP、HABC和HS-HC)。这些方法只能解决一个特定的问题,基本上,这些方法是为解决一个特定问题而量身定制的。这导致缺乏多样性和搜索质量之间的有效平衡。此外,在这些方法中的一些方法(例如ATS和VDS-BP)中缺乏系统的选择策略或解决方案组合策略,并且这种缺乏可能是它们在一些数据集中的不良结果的原因同时,有些人利用一部分内存来存储最佳解决方案,如HABC和HH- GS中所示但是,对于存储器的结构、内容和更新策略,并没有给出明确的描述表2还示出,对于几乎所有数据集,所提出的混合精英AS显示出比不包括精英池的其他COS和IP-NS)或内隐记忆(例如,HH-GS、HS-HC和ATS)。这意味着,对多样化和高质量解决方案的记忆提高了基于人口的方法的有效性通过所提出的方法获得的许多结果与其他方法完全相似(例如,sprint_late_09 = 17),而在某些情况下,所提出的方法产生的结果与原始方法相比更差这样的观察可以与基于群体的元启发式的概率行为相关联。此外,Elitist-AS还配备了382通用汽车Jaradat等人/Journal of King Saud University表2与类似方法相比,INRC 2010数据集上的最佳结果数据集混合精英-ASCEASHABCMODBCOHS-HCIPATSIP-NSHH-GSVDS-BPCOS最好STD.(Awadallah和Bolaji,2015年)(Rajeswari等人,(2017年)(Awadallah等人,(2017年)(Santos等人,(2016年)(LüandHao,2012)(Valouxis等人,2012年)(Bilgin等人,2012年)(Burke&Curtois,2014)(Nonobe,2010年)sprint_early_01571.970565658565656575656sprint_early_02591.171585964585858595858sprint_early_03510.766515159515151515151sprint_early_04590.975595967595959605959sprint_early_05580.368585863585858585858sprint_early_06540.367545358545454545454sprint_early_07560.670565661565656565656sprint_early_08560.568565658565656565656sprint_early_09550.970555561555555555555sprint_early_10520.567525258525252525252sprint_hidden_01321.666323246323233---sprint_hidden_02321.364323244323232---sprint_hidden_03622.296626278626262---sprint_hidden_04660.999666678666667---sprint_hidden_05590.891595969595959---sprint_hidden_061303.6249130134169130130134---sprint_hidden_071534.1309153153187153153153---sprint_hidden_082041.5359204204240204204209---sprint_hidden_093383.1468338338372338338338---sprint_hidden_103062.1530306306322306306306---sprint_hint_01786.9148757390---78--sprint_hint_02473.489464356---47--sprint_hint_03507.1132504969---57--sprint_late_01371.264373752373737403737sprint_late_02421.765424156424242444242sprint_late_0348178484560484848504848sprint_late_04732.6146737195737375817576sprint_late_0544173444657444444454445sprint_late_06420.763424252424242424242sprint_late_07420.991444455424242464243sprint_late_0817053171719171717171717sprint_late_0917048171717171717171717sprint_late_10431.487434354434343464344中早012411.8383245245280240240240242244241medium_early_022411.1379245243281240240240241241240中早032361.1370242239287236236236238238236medium_early_042371.5389240245278237237237238240238中早053031.9448308310330303303303304308304medium_hidden_011114.71050155143410111117130---medium_hidden_0222010.6976254230412221220221---medium_hidden_03342.82985453182343536---medium_hidden_04783.13519485168787981---medium_hidden_051196.6966177182520119119122---medium_hint_01427270484264---40--medium_hint_02919.27139491133---91--medium_hint_0314011.51163140135187---144--medium_late_011618.7748174176234157164158163187176medium_late_02182.9217313049182018212219medium_late_03292.6252383559293029324630medium_late_04350.8208484271353635384937中晚051077.9795134129272107117107122161125long_early_011984.4414197194339197197197197198197long_early_022205.9466229228399219222219220223219long_early_032400421240240349240240240240242240long_early_043030.9511303303411303303303303305303long_early_052841.3483284284383284284284284286284long_hidden_013466.422654003894466346346363---long_hidden_02893.95501171081071898990---long_hidden_03381.34755148163383838---long_hidden_04221.74632927113222222---long_hidden_05412.84855655139414541---long_hint_014024834240126---33--long_hint_02281.33363029122---17--long_hint_03551.417128379278---55--long_late_012353.41941257249588235237235241286235long_late_022291.42253263261577229229229245290229long_late_032201.12007262259567220222220233290220long_late_042212.92102261257604222227221246280221long_late_05830.61552102923298383838711083通用汽车Jaradat等人/Journal of King Saud University383有内隐记忆,这可能是个问题因此,本研究中提出的混合版本配备了显式存储器(例如外部存储器)。外部存储器结构良好;它可以有效地与解的组合和多样化生成方法交互,以提供自适应的搜索更新。因此,它可以保证相当快地收敛到高质量(或最佳)解决方案,同时搜索多样性保持不变。如前所述,精英-AS元启发式算法具有用于存储高质量和多样化解决方案的内隐记忆。然而,置换和扰动的直接应用,例如,问题相关/特定邻域结构的应用,对于质量好的或多样的解决方案以用于质量的更多改进,可能是穷举的。在搜索过程中隐式和显式解表示之间的过渡是一项具有挑战性的任务。总之,本文提出的混合方法在所有数据集上都证明了其有效性和一致性。Std. 和混合Elitist-AS的D(%)表明该方法在所有数据集上的结果都是恒定的,并且非常接近于其他混合元分析的最佳结果。在这项研究中获得的结果表明,混合精英AS在所有数据集上生成高质量结果的能力,而不仅仅是覆盖少数数据集。这项研究表明,混合精英-AS生成的竞争力的结果,甚至是最佳的某些数据集,而不是最知名的结果。如通过百分比偏差所证明的,所提出的混合元启发式的结果与最知名的结果几乎精英-AS中的显式记忆的混合可能是因素,因为它通过探索搜索空间的不同区域,或者更确切地说,通过逃避局部最优值,使搜索总的来说,这一结果暗示了外显记忆与精英-AS的杂交对其在NRP解决中的表现的显著影响。混合精英AS是适用于其他领域只有最小的变化,也就是说,只有建设性的启发式和邻域结构要改变。 通常,使用将一种方法应用于同一问题的不同数据集需要大量的修改,例如,对算法的参数或结构的修改。在这项工作中,已经证明了所提出的混合精英AS在不同NRP数据集上的通用性,并且希望它的使用可以扩展到其他领域,包括集群和大数据。提出的混合算法进行了比较,其他相同的算法方面的解决方案的质量,而不是计算时间。值得注意的是,由于使用不同的计算机资源,在进行比较时会有很大困难。因此,迭代的量成为终止标准;这是归因于所提出的混合算法中的自适应内存使用(例如20分钟)。这导致执行时间在类似于文献中发现的范围内。此外,组织蚂蚁系统的信息素踪迹更新在这里,只有最好的蚂蚁在每次迭代中显示更新信息素线索的能力这些机制已经证明了它们在指导蚂蚁系统的搜索,特别是蚂蚁系统的搜索过程中的相当有效性。有些作者故意忽略了蚁群系统中的多样性机制根据他们的说法,这种机制在应用中是无用的,问题6. 结论本研究的动机是需要了解多少外部记忆是至关重要的性能的精英AS。因此,本研究证明了混合精英-AS在NRP上的推广性和一致性。为此,研究和测试了外部存储器对一般性能的影响。混合精英AS采用外部存储器,包括一组不同的和高质量的解决方案。这种记忆结构有助于保持多样性和搜索质量之间的平衡。例如,从局部最优值(即基于问题的公式化的最小值或最大值)的逃逸可以通过使用从外部存储器中的那些不同的解产生的新解来实现。因此,搜索是可能的。在新的潜在领域进行多样化。此外,通过将搜索集中在来自外部存储器的高质量解决方案上,可以将搜索组合为更高质量的解决方案。实验结果表明,该混合算法在质量和计算时间方面都能得到较好的结果。此外,该方法此外,对计算复杂度的分析和讨论也证明了该方法在一系列数据集上的有效性。本研究有助于适用领域,具体如下:混合精英AS配备有外部存储器,并进行启发式扰动。本文的研究表明:不同搜索算法的优点可以结合成一种混合方法。使用外部存储器产生的结果不仅一致,而且在不同的数据集之间具有普遍性。此外,高质量的解决方案,无论是竞争力或优于其他类似的方法,已经产生。混合Elitist-AS可以简单地在不同的数据集上执行。所提出的方法具有较低的复杂度和规模。混合精英AS取得了突出的和最佳的结果。对于大多数数据集,它优于其他基于人口的方法,特别是那些具有内隐记忆的数据集。使用显式存储器(例如,外部存储器)特别地提供了多种高质量的解决方案,所提出的混合精英AS可以从这些解决方案开始其搜索过程以获得更好的解决方案。此外,外部存储器为实现协作和更快收敛提供了一种途径建议测试混合Elitist-AS用于其他COP以及第二届国际护士排班竞赛(INRC- II)的有效性附录A.见图 二、●●●384通用汽车Jaradat等人/Journal of King Saud University引用图二.混合精英AS的流程图。Alsmadi,M.,Omar,K.,Almarashdeh岛2012.鱼类分类:使用Memetic算法和反向传播分类器进行鱼类分类。兰伯特学术出版社。Alsmadi,M.,Omar,K.,Noah,S.,Almarashdeh岛2011. 基于PLGF和形状测量的鲁棒特征提取和反向传播分类器的混合模因算法用于鱼类分类。Inf. Technol.J. 10(5),944-954.Alsmadi,M.K.,2017年a。基于模因算法的图像检索相似性度量。埃及基础应用科学杂志4(2),112-122。Alsmadi,M.K.,2017年b月。预测河流流量在美国使用混合元启发式算法与反向传播算法。费萨尔国王大学科学杂志(基础应用科学)18(1),13-24。Alsmadi,M.K.,2018.基于查询敏感相似性度量的元启发式图像检索算法。J.沙特国王大学- Comput.信息科学30(3),373-381.Awadallah,M.A,Bolaji,A.L.a,Al-Betar,M.A.,2015年。混合人工蜂群解决护士排班问题。Appl. 软计算,35,726Awadallah , 文 学 硕 士 , Al-Betar , M.A. , Khader , A.T. , Bolaji , A.L.A. ,Alkoffash,M.,2017.和声搜索与爬山法混合求解高约束护士排班问题。神经元计算应用程序、28(3),463美国巴达维Alsmadi,M.K.S.,2013. 一种混合Memetic算法(遗传算法和大规模局部搜索)使用Back-Propagation鱼类识别分类器。Int. J. Comput. Sci. Issues 10(2),348-356.美国巴达维Alsmadi,M.K.,2014.一种基于后向传播分类器的元启发式算法的通用鱼类分类方法。J. Theor应用信息Technol.66(3),803-812.Bartholdi III,J.J.,1981.循环调度和集合覆盖的一种精确舍入算法。操作员Res.29(3),501-510。Bilgin,B.,Demeester,P.,Misir ,M.,Vancroonenburg,W.,Berghe,G.V. ,2012.一个超启发式的方法来解决医疗保健中的两个问题。 J. Heuristics 18(3),401-434.Blum,C.,Roli,A.,2008.混合元分析:导论。混合元分析。施普林格,pp. 1-30Brucker,P.,库河,巴西-地Burke,E.,2011年。人员调度:模型和复杂性。EUR. J. 操作员Res. 210(3),467-473。伯克,E.K.,Curtois,T.,2014.护士排班基准实例的新方法。EUR. J. 操作员Res. 237(1),71-81。Burke,E.,De Causmaecker,P.,Petrovic,S.,Berghe,G.V.,2003.护士排班问题的变邻域搜索。Metabolistics:计算机决策。施普林格,pp. 153-172.Crepin šek ,M.,刘氏H、Mernik,M.,2013年。内的勘探和开发进化算法:综述。ACM计算 Surveys(Csur)45(3),35.De Causmaecker , P. , Berghe , G.V. , 2011. 护 士 排 班 问 题 的 分 类 。 J. Sched 。 14(1),3-16.Dorigo,M.,Stützle,T.,2010.蚁群优化:综述与最新进展。元分析学手册。施普林格,pp. 227-263。Dorigo,M.,Maniezzo,V.,Colorni,A.,1991.积极反馈作为一种搜索策略。格洛弗,F.,拉古纳,M.,马蒂河2003年。分散搜索。进化论的进展计算的施普林格,pp. 519-537Hadwan,M.,Ayob,M.,北卡罗来纳州萨巴尔,库河,巴西-地2013.护士排班问题的和声搜索算法。信息科学233,126-140。Jaradat,G.M.,Ayob,M.,2010年。解决入学后排课问题的精英蚂蚁系统数据库理论与应用,生物科学与生物技术。施普林格,pp. 167-176。Jaradat,G.,Ayob,M.,Almarashdeh岛2016.精英库在混合群体元算法求解组合优化问题中的作用。应用软件计算44,45-56。Lü,Z.,Hao,J.- K.,2012.护士排班的自适应邻域搜索。 EUR. J. 操作员Res. 218(3),865-876.米勒,H.H.,Kiragu,M.,1998.运用网络规划法对12小时轮班护士进行循环与非循环排班。EUR. J. 操作员Res. 104(3),582-592。Nonobe,K.,2010. INRC 2010:使用通用约束优化求解器的方法。第一届国际护士排班竞赛(INRC 2010)。奥斯曼,I.H., 凯利,J.P.,1996. 元分析学:概述。 元分析学施普林格,pp. 1-21Özcan,E.,2005.护士排班的模因算法。在:计算机和信息科学国际研讨会,LNCS3733,页。482-492.Özcan,E.,2007.模因、自我生成和护士排班。2006年自动时间表编制的实践和理论国际会议,LCNS 3867,pp。85比104Rajeswari,M.,Amudhavel,J.,Pothula,S.,Dhavachelvan,P., 201
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功