在家庭保健安排和路由问题(Home Health Care Scheduling and Routing Problem,HHCSRP)的研究中,现有的分配模型中考虑的优化目标较为单一,难以满足实际场景中相关需求.如何兼顾护理机构、患者和护理人员三方的需求,构建包含多个目标的...
详细信息
在家庭保健安排和路由问题(Home Health Care Scheduling and Routing Problem,HHCSRP)的研究中,现有的分配模型中考虑的优化目标较为单一,难以满足实际场景中相关需求.如何兼顾护理机构、患者和护理人员三方的需求,构建包含多个目标的优化模型并有效求解,形成服务周期内护理人员的具体分配方案是十分重要的.多目标演化算法求解多个优化目标的模型,但随着优化目标与决策变量的增加,多目标演化算法的搜索效率降低.此外,在多目标演化算法求解得到的解集合中应用决策分析方法筛选符合决策者偏好的最优个体也十分重要.为了解决上述问题,本文构建了两个HHCSRP优化模型,并提出两个改进的四目标优化算法分别对其求解.本文的主要工作包括:
(1)考虑单日的护理人员分配问题,兼顾多方的需求和利益,建立包括服务成本、收入平衡、工作量差异和患者满意度的四目标优化模型.提出基于多样性提升的双存档算法(D-TA2)用于求解四目标模型,并根据模型特点完成编码设计.D-TA2在收敛性档案中引入促进多样性的基于转换密度估计的指标,在多样性档案中加入重复分析降低个体相似度.将D-TA2与其他MOEAs进行对比,实验结果表明,D-TA2能较好地求解提出的四目标优化模型.
(2)考虑中长期的护理人员分配问题,需要为患者提供多日的护理方案,拓展问题的规模.建立包括支出成本、护理连续性、路径成本和患者满意度的四目标优化模型,并求解护理人员路径最短时的护理次序.提出基于决策变量分组的双存档算法(C-TA2),在种群初始化后应用控制分析将决策变量分为两类.固定多样性相关变量集DV.针对收敛相关变量集CV进行分组,应用差分进化分别优化子组变量,然后应用Two＿Arch2算法优化全部变量.将C-TA2与其他MOEAs在测试函数中对比HV和IGD指标值,验证C-TA2算法的有效性.应用C-TA2求解四目标优化模型,并根据多周期的模型特点完成编码方案.与同类型的MOEAs进行对比,实验结果表明,C-TA2能较好地求解提出的四目标优化模型.
(3)通过MOEAs求解得到的解集中包含多个可行解,决策者需要从解集中筛选一个最终方案.为了结合决策偏好并使得筛选最优解的过程更具科学性,提出基于组合权重的理想解相似度(TOPSIS)决策方法,用于从MOEAs得到的解集合中筛选个体.该决策方法包括三个过程:基于层次分析法计算主观权重,基于熵权法计算客观权重,使用TOPSIS决策方法结合主客观组合权重求解最优个体.实验结果表明,在四个优化目标中,改进的算法求得的最终解整体更优.
随着信息网络技术的飞速发展,电子商务系统深入到了生活的方方面面。人们通过多种网上销售平台,足不出户便能完成商品的购物和交易,节省了大量的采购时间。然而规模不断扩大的电子商务系统也给人们带来了一些困扰,比如面对海量的商品信息,用户需要花费大量的时间和精力才能发现感兴趣的部分。作为一种基于信息采集和知识发现技术,推荐系统被越来越多地运用到了电子商务系统中。需要注意的是,随着人们需求越来越多样,仅仅追求推荐的准确度是远远不够的。为了满足用户的个性化需求,在传统推荐技术的基础上,往往需要加入其他一些性能指标,比如多样性和新颖度等。在实践环节中发现准确度、多样性和新颖度之间的冲突关系,因此很难使得这三个目标同时达到最优。如何获得在上述指标上表现都不错的推荐方案成为当前急待解决的一个难题。在解决实际问题中,我们经常会需要综合考虑多方面因素来确定方案的可行性,这就是所谓的多目标优化问题,即在各个目标存在冲突的情况下获得一组各个目标值所折中的解集。基于当前个性化推荐系统的目标之间的冲突关系,有学者提出将个性化推荐问题转换为多目标优化问题,同时优化多个推荐指标。目前主流的基于多目标优化的个性化推荐算法主要将准确度和多样性作为双目标,虽然相比传统算法,能够向用户提供更加丰富的商品但是这部分商品的流行度往往比较高。显然这种主推流行商品的多目标算法不利于挖掘冷门产品,从长远角度来讲,不利于提高系统的购买率。基于上述理论分析,本文展开了以下的深入研究:(1)提出了一种基于MOEA-ProbS的改进个性化推荐算法(Multi-Objective Personalized Recommendation Algorithm Based on Probabilisticspreading and Genetic Mutation Adaptation,MOEA-PGMA)。在以准确度与多样性作为评价指标的基础上,将新颖度引入个性化推荐,提出了一种基于三目标的个性化推荐模型以提高系统挖掘用户潜在兴趣和冷门商品的能力;在三目标推荐模型上提出一种适用于多目标的自适应变异方法(Adaptive mutation method based on multi-objectives,MOAM)。针对MOEA-ProbS在种群演化过程中出现过早收敛问题,使用MOAM方法提高种群的搜索能力,增大优良基因的累积,以获取相比MOEA-ProbS算法更多的优秀种群个体。实验结果表明MOEA-PGMA算法能够改进上述问题的求解效果。(2)提出了一种基于多线程并发的多目标个性化推荐算法(Multi-objective Personalized Recommendation Algorithm Based on Multi-threaded Concurrency,MOEA-PGMA-MC),结合多线程并发技术提高算法的执行效率。在验证上一章算法有效性的同时发现,随着系统用户以及目标个数的不断增大,算法的计算规模将进一步扩大,使得程序运行缓慢,执行效率较低。通过分析演化过程发现,在算法中使用多线程并发提高算法执行效率具备一定的可行性。实验结果表明在求解大规模推荐问题上,相比于串行环境下的执行时间,该算法的效率有所提升。总体而言,本文首先对个性化推荐问题进行了系统性地研究。首先针对目前推荐系统存在的冷门数据和用户喜好挖掘不足,提出一种基于三目标的推荐模型;对基于该模型的推荐算法进行设计和优化;最后通过引入多线程技术进行执行性能上的提升设计。实验结果表明,本文所提出的多目标个性化推荐算法可以一次运行产生多组在准确度、多样性和新颖度上表现不错的推荐方案并且引入多线程技术后的算法,执行效率提升明显。
暂无评论