Addressing Operating Room Planning and Scheduling Problem by Genetic Engineering Algorithm
Notice bibliographique
Résumé
Operating room (OR) planning and scheduling is a highly complex combinatorial optimization problem that involves patient assignment, OR allocation, and surgical sequencing within a constrained planning horizon. This study addresses the OR scheduling problem by incorporating downstream bed availability in both hospital wards and intensive care units (ICUs), aiming to improve operational efficiency and patient outcomes. A mixed-integer programming (MIP) model is developed to minimize the total completion time across all operating rooms during the planning period. Given the NP-hard nature of the problem, a novel Genetic Engineering Algorithm (GEA) is proposed as an advanced extension of the traditional Genetic Algorithm (GA). The GEA incorporates three innovative search strategies inspired by genetic engineering principles, refining the crossover and mutation operators to improve solution quality and convergence speed. To evaluate the effectiveness of the proposed algorithm, GEA and its variants are tested on 18 benchmark instances of varying problem sizes for the proposed OR planning and scheduling problem. A real-world case study from a hospital in Pakistan illustrates the practical applicability of the proposed approach using different real-world criteria. The results demonstrate that GEA consistently outperforms state-of-the-art metaheuristic algorithms. Its robustness and accuracy are further validated using 10 standard mathematical benchmark functions. The results confirm the GEA’s effectiveness and efficiency in addressing complex OR planning and scheduling problems and underscore its potential for advancing metaheuristic algorithm design in combinatorial optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».