زمان‌بندي شيفت كاري كاركنان چند‏مهارته با رويكرد الگوريتم ژنتيك

Scheduling Working Shifts for Multi-skilled Workforces with Genetic algorithm Approach

هدف كلي اين مقاله به‌كارگيري مهندسي عوامل انساني در تيوري زمان‌بندي به‌منظور بهره‏برداري از عملكرد بهينه كاركنان مي‌باشد. مسيله زمان‌بندي شيفت كاري كاركنان با عملكرد متغير در اين مقاله مورد بررسي قرار گرفته شده است. تابع هدف مدل رياضي ارايه شده براي زمان‌بندي كاركنان در اين مقاله كمينه‌سازي هزينه‌هاي نيروي كار بوده و سعي در گمارش كاركنان كارا به شيفت‌هاي كاري به‌منظور برآورده نمودن تقاضاي كاري سازمان دارد. ويژگي مهم مدل رياضي ارايه شده در نظر گرفتن ابعاد ارگونوميكي كاركنان شامل يادگيري، فراموشي و خستگي ناشي از كار مي‌باشد. براي حل مدل رياضي ارايه شده در مدت زمان محاسباتي مناسب از الگوريتم ژنتيك استفاده شد. به‌منظور بررسي كارايي و اثربخشي الگوريتم ژنتيك نسبت به روش‌هاي دقيق حل مسيله، عملكرد الگوريتم با عملكرد نرم‌افزار LINGO و كران پايين مثال‌هاي ارايه شده مورد مقايسه قرار گرفت. نتايج نشان داد كه مدل ارايه شده قابليت مدل‌سازي عوامل انساني را داشته و شيفت‌هاي كاري مطلوبي را ارايه مي‌كند. همچنين اين مطالعه نشان داد كه پارامترهاي انساني مورد بررسي، بر كارايي كاركنان و نتيجتا بر برنامه‌ريزي جداول زماني كاري سازمان تاثير دارد. از اين‌رو پيشنهاد مي‌شود كه مديران در سازمان‏ها بااستفاده مدل پيشنهاد شده تاثير عوامل انساني بر كارايي كاركنان را مورد بررسي قرار داده و زمان‌بندي مطلوبي براي شيفت كاري كاركنان ارايه كنند.

Overall goal of our research is to incorporate human factors engineering into scheduling theory in order to exploit optimized human performance. Tour scheduling problem (in which full-time employees have variable performance) have been studied in this paper. Objective function of proposed staff scheduling model is minimizing staffing cost to provide efficient workforces. The unique characteristic of this study is consideration of ergonomic aspect (fatigue, learning and forgetting rate of employees) in staff scheduling problem. We used genetic algorithm to conquest difficulty of our model and to find desirable solution in a reasonable running time. In order to show effectiveness and efficiency of our algorithm we compared the results of genetic algorithm with LINGO and lower bound. The results showed that proposed model is capable to model human factors and find suitable shift schedules. Also this study showed that considered human parameters impact on workforce output and shift scheduling. Hence we recommend that managers study impacts of human factors on output of workforces and provide productive shift schedules using proposed model.