論文の概要: Random-Key Algorithms for Optimizing Integrated Operating Room Scheduling

• arxiv url: http://arxiv.org/abs/2501.10243v2
• Date: Fri, 24 Jan 2025 15:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:55:19.723310
• Title: Random-Key Algorithms for Optimizing Integrated Operating Room Scheduling
• Title（参考訳）: 統合運用室スケジューリングの最適化のためのランダムキーアルゴリズム
• Authors: Bruno Salezze Vieira, Eduardo Machado Silva, Antonio Augusto Chaves,
• Abstract要約: 本研究では,RKO(Random-Key)の概念を紹介する。 文献最適化問題には、マルチルームスケジューリング、機器スケジューリング、複雑な可用性制約が組み込まれている。 RKOアプローチは、連続空間の点として解を表し、デコーダとして知られる決定論的関数を介して問題解空間に写像される。
• 参考スコア（独自算出の注目度）: 0.16385815610837165
• License:
• Abstract: Efficient surgery room scheduling is essential for hospital efficiency, patient satisfaction, and resource utilization. This study addresses this challenge by introducing a novel concept of Random-Key Optimizer (RKO), rigorously tested on literature and new, real-world inspired instances. Our combinatorial optimization problem incorporates multi-room scheduling, equipment scheduling, and complex availability constraints for rooms, patients, and surgeons, facilitating rescheduling and enhancing operational flexibility. The RKO approach represents solutions as points in a continuous space, which are then mapped in the problem solution space via a deterministic function known as a decoder. The core idea is to operate metaheuristics and heuristics in the random-key space, unaware of the original solution space. We design the Biased Random-Key Genetic Algorithm with $Q$-Learning, Simulated Annealing, and Iterated Local Search for use within an RKO framework, employing a single decoder function. The proposed metaheuristics are complemented by lower-bound formulations, providing optimal gaps for evaluating the effectiveness of the heuristic results. Our results demonstrate significant lower and upper bounds improvements for the literature instances, notably proving one optimal result. Furthermore, the best-proposed metaheuristic efficiently generates schedules for the newly introduced instances, even in highly constrained scenarios. This research offers valuable insights and practical solutions for improving surgery scheduling processes, offering tangible benefits to hospitals by optimising resource allocation, reducing patient wait times, and enhancing overall operational efficiency.
• Abstract（参考訳）: 効率的な手術室スケジューリングは, 病院の効率, 患者満足度, 資源利用に不可欠である。 本研究では,RKO(Random-Key Optimizer)という新しい概念を導入することで,この課題に対処する。 組み合わせ最適化問題では,複数部屋のスケジューリング,機器のスケジューリング,室,患者,外科医の複雑な可用性制約が組み込まれ,再スケジュールや操作性の向上が図られている。 RKOアプローチは、連続空間の点として解を表し、デコーダとして知られる決定論的関数を介して問題解空間に写像される。 中心となる考え方は、元の解空間を知らないランダムキー空間においてメタヒューリスティックスとヒューリスティックスを操作することである。 我々は,1つのデコーダ関数を用いて,RKOフレームワーク内で使用するために,$Q$-Learning, Simulated Annealing, Iterated Local Search を用いたバイアスランダム鍵遺伝的アルゴリズムを設計する。 提案したメタヒューリスティックスは下界の定式化によって補完され、ヒューリスティック結果の有効性を評価するのに最適なギャップを提供する。 文献例では, 文献例では, 下限と上限が有意に改善し, 1つの最適な結果が得られた。 さらに、最も優れたメタヒューリスティックは、非常に制約のあるシナリオであっても、新しく導入されたインスタンスのスケジュールを効率的に生成する。 本研究は, 手術スケジューリングプロセスの改善, 資源配分の最適化, 患者待ち時間の短縮, 全体の作業効率の向上により, 病院に有意義な利益をもたらすための貴重な知見と実践的ソリューションを提供する。

関連論文リスト

• Pareto Optimization with Robust Evaluation for Noisy Subset Selection [34.83487850400559]
  サブセット選択は最適化の基本的な問題であり、影響やスパース回帰といった幅広い応用がある。 欲求アルゴリズムや進化進化的POSSを含む従来のアルゴリズムは、ノイズの多い環境で苦労するか、過剰な計算資源を消費する。 本稿では,頑健な評価関数を最大化し,同時にサブセットサイズを最小化する,雑音性サブセット選択(PORE)のためのロバスト評価を用いたパレート最適化に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-12T14:04:20Z)
• Faster Stochastic Variance Reduction Methods for Compositional MiniMax Optimization [50.10952609321302]
  合成ミニマックス最適化は、さまざまな機械学習領域において重要な課題である。 構成最小最適化の現在の方法は、最適以下の複雑さや、大きなバッチサイズに大きく依存することによって悩まされている。 本稿では,Nested STOchastic Recursive Momentum (NSTORM)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T14:57:21Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
  本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。 我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
  論文  参考訳（メタデータ） (2023-03-26T19:41:17Z)
• Quasi-optimal Reinforcement Learning with Continuous Actions [8.17049210746654]
  そこで我々は,非政治環境において容易に最適化できる,新しいEmphquasi-Optimal Learningアルゴリズムを開発した。 本アルゴリズムを網羅的なシミュレーション実験により評価し,オハイオ1型糖尿病データセットへの線量提案実例を適用した。
  論文  参考訳（メタデータ） (2023-01-21T11:30:13Z)
• High-dimensional Bayesian Optimization Algorithm with Recurrent Neural Network for Disease Control Models in Time Series [1.9371782627708491]
  本稿では,リカレントニューラルネットワークを組み合わせた高次元ベイズ最適化アルゴリズムを提案する。 提案したRNN-BOアルゴリズムは,低次元空間における最適制御問題を解くことができる。 また、RNN層の異なる数の影響や、ソリューションの品質と関連する計算努力のトレードオフに対する訓練のエポックスについても論じる。
  論文  参考訳（メタデータ） (2022-01-01T08:40:17Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。