患者调度是一项艰巨的任务，因为它涉及处理随机因素，例如患者未知的到达流动。调度癌症患者的放射治疗治疗面临着类似的问题。治疗患者需要在推荐的最后期限内开始治疗，即入院后14或28天，而在入院后1至3天内需要迫切治疗的姑息治疗的治疗能力。大多数癌症中心通过保留用于急诊患者的固定数量的治疗槽来解决问题。然而，这种平面预留方法并不理想，并且可能在某些日子里造成急诊患者的过期治疗，同时在其他几天内没有充分利用治疗能力，这也导致治疗患者的延迟治疗。这个问题在大型和拥挤的医院中特别严重。在本文中，我们提出了一种基于预测的在线动态放射治疗调度方法。一个离线问题，其中提前已知所有未来的患者到达，以使用整数编程来解决。然后培训回归模型以识别患者到达模式之间的链接及其理想的等待时间。然后，培训的回归模型以基于预测的方法嵌入，该方法根据其特征和日历的当前状态来调度患者。数值结果表明，我们的预测方法有效地防止了应急患者的过度处理，同时与基于平面预留政策的其他调度方法相比保持良好的等待时间。

Using data from cardiovascular surgery patients with long and highly variable post-surgical lengths of stay (LOS), we develop a modeling framework to reduce recovery unit congestion. We estimate the LOS and its probability distribution using machine learning models, schedule procedures on a rolling basis using a variety of optimization models, and estimate performance with simulation. The machine learning models achieved only modest LOS prediction accuracy, despite access to a very rich set of patient characteristics. Compared to the current paper-based system used in the hospital, most optimization models failed to reduce congestion without increasing wait times for surgery. A conservative stochastic optimization with sufficient sampling to capture the long tail of the LOS distribution outperformed the current manual process and other stochastic and robust optimization approaches. These results highlight the perils of using oversimplified distributional models of LOS for scheduling procedures and the importance of using optimization methods well-suited to dealing with long-tailed behavior.

急诊科（EDS）的表现对于任何医疗保健系统都非常重要，因为它们是许多患者的入口处。但是，除其他因素外，患者敏锐度水平和访问患者的相应治疗要求的变异性对决策者构成了重大挑战。平衡患者的等待时间首先是由医生与所有敏锐度水平的总长度相处的，对于维持所有患者的可接受的操作表现至关重要。为了解决这些要求在为患者分配空闲资源时，过去提出了几种方法，包括累积的优先排队（APQ）方法。 APQ方法在系统和敏锐度水平方面将优先评分线性分配给患者。因此，选择决策基于一个简单的系统表示，该表示作为选择功能的输入。本文研究了基于机器学习（ML）的患者选择方法的潜力。它假设对于大量的培训数据，包括多种不同的系统状态，（接近）最佳分配可以通过（启发式）优化器计算出关于所选的性能指标，并旨在模仿此类最佳行为。应用于新情况。因此，它结合了系统的全面状态表示和复杂的非线性选择函数。拟议方法的动机是，高质量的选择决策可能取决于描述ED当前状态的各种因素，而不仅限于等待时间，而这些因素可以由ML模型捕获和利用。结果表明，所提出的方法显着优于大多数评估设置的APQ方法

Algorithms that involve both forecasting and optimization are at the core of solutions to many difficult real-world problems, such as in supply chains (inventory optimization), traffic, and in the transition towards carbon-free energy generation in battery/load/production scheduling in sustainable energy systems. Typically, in these scenarios we want to solve an optimization problem that depends on unknown future values, which therefore need to be forecast. As both forecasting and optimization are difficult problems in their own right, relatively few research has been done in this area. This paper presents the findings of the ``IEEE-CIS Technical Challenge on Predict+Optimize for Renewable Energy Scheduling," held in 2021. We present a comparison and evaluation of the seven highest-ranked solutions in the competition, to provide researchers with a benchmark problem and to establish the state of the art for this benchmark, with the aim to foster and facilitate research in this area. The competition used data from the Monash Microgrid, as well as weather data and energy market data. It then focused on two main challenges: forecasting renewable energy production and demand, and obtaining an optimal schedule for the activities (lectures) and on-site batteries that lead to the lowest cost of energy. The most accurate forecasts were obtained by gradient-boosted tree and random forest models, and optimization was mostly performed using mixed integer linear and quadratic programming. The winning method predicted different scenarios and optimized over all scenarios jointly using a sample average approximation method.

在医院世界中，存在一些复杂的组合问题，解决这些问题对于提高患者的满意度和提供的护理质量很重要。医疗保健中的问题很复杂，因为解决了几个限制，应考虑不同类型的资源。此外，必须在少量时间内评估解决方案，以确保实际情况下的可用性。我们计划针对这类问题提出解决方案，包括扩展已经测试的解决方案，并通过对新问题进行建模解决方案，并考虑到文献，并在可用时使用真实数据。解决这类问题很重要，但是，由于欧盟委员会根据一般数据保护法规确定，每个人都有权利要求解释AI做出的决定，而不开发可解释性方法，因此使用了基于AI的求解器，例如。基于答案集编程的人将受到限制。因此，研究的另一部分将专门研究并提出了解释获得的解决方案的新方法。

员工分册是将可用员工分配开放班的过程。自动化它对几乎所有行业具有无处不在的实用益处，例如减少手动工作量并产生灵活，高质量的时间表。在这项工作中，我们开发了一种混合方法，将混合整数线性编程（MILP）与散点图，一种进化算法相结合，具有用作SWISSGrid的员工订购的优化，在那里是一个很大程度上是一个很大程度上的手动过程。混合方法担保遵守劳动法，最大限度地提高员工的偏好满意度，并尽可能均匀地分配工作量。最重要的是，它被证明是一种坚固且有效的算法，一致地解决了与使用最先进的商业求解器的MILP独立方法更加稳定地达到近乎最优的复杂性的逼真问题。提出了几种实际扩展和用例，该案例被纳入当前正在进行SwissGrid中的试点的软件工具中。

我们研究了在国内捐助服务服务中引起的车辆路由问题的随机变体。我们考虑的问题结合了以下属性。就客户是随机的，但不仅限于预定义的集合，因此请求服务的客户是可变的，因为它们可能出现在给定的服务领域的任何地方。此外，需求量是随机的，并且在拜访客户时会观察到。目的是在满足车辆能力和时间限制的同时最大化预期的服务需求。我们将此问题称为VRP，具有高度可变的客户基础和随机需求（VRP-VCSD）。对于这个问题，我们首先提出了马尔可夫决策过程（MDP）的配方，该制定代表了一位决策者建立所有车辆路线的经典集中决策观点。虽然结果配方却很棘手，但它为我们提供了开发新的MDP公式的地面，我们称其为部分分散。在此公式中，动作空间被车辆分解。但是，由于我们执行相同的车辆特定政策，同时优化集体奖励，因此权力下放是不完整的。我们提出了几种策略，以减少与部分分散的配方相关的国家和行动空间的维度。这些产生了一个更容易解决的问题，我们通过加强学习来解决。特别是，我们开发了一种称为DECQN的Q学习算法，具有最先进的加速技术。我们进行了彻底的计算分析。结果表明，DECN的表现大大优于三个基准策略。此外，我们表明我们的方法可以与针对VRP-VCSD的特定情况开发的专业方法竞争，在该情况下，客户位置和预期需求是事先知道的。

整数程序为代表广泛的真实计划问题提供了强大的抽象。尽管他们能够模拟一般调度问题，但解决大规模整数程序（IP）在实践中仍然是计算挑战。纳入更复杂的目标，例如鲁棒性对中断进一步加剧了计算挑战。我们呈现出良好的（神经网络IP系数提取），这是一种新颖的技术，它结合了增强学习和整数编程来解决鲁棒调度问题。更具体地说，尼斯使用加强学习在整数编程配方中大致代表复杂的目标。我们很高兴确定飞行员的分配到飞行机组计划，以减少中断的影响。我们将很好的比较（1）基线整数编程配方产生了可行的工作人员计划，（2）强大的整数编程配方，明确尝试最小化中断的影响。我们的实验表明，在各种场景中，良好的生成时间表导致33 \％至48 \％的中断比基线配方更少。此外，在更严重限制的调度方案中，强大的整数程序未能在90分钟内产生时间表，很好能够平均在不到2秒内构建强大的计划。

源于机器学习和优化的临床决策支持工具可以为医疗保健提供者提供显着的价值，包括通过更好地管理重症监护单位。特别是，重要的是，患者排放任务在降低患者的住宿时间（以及相关住院费用）和放弃决策后的入院甚至死亡的风险之间存在对细微的折衷。这项工作介绍了一个端到端的一般框架，用于捕获这种权衡，以推荐患者电子健康记录的最佳放电计时决策。数据驱动方法用于导出捕获患者的生理条件的解析，离散状态空间表示。基于该模型和给定的成本函数，在数值上制定并解决了无限的地平线折扣明马尔科夫决策过程，以计算最佳的排放政策，其价值使用违规评估策略进行评估。进行广泛的数值实验以使用现实生活重症监护单元患者数据来验证所提出的框架。

我们介绍了多模式的汽车和乘车共享问题（MMCRP），其中使用一台汽车来涵盖一组乘车请求，同时将发现的请求分配给其他运输方式（MOT）。汽车的路线由一次或多个旅行组成。每次旅行都必须具有特定但不明的驱动程序，以仓库开始，然后以（可能不同的）仓库结束。即使两个骑行没有相同的起源和/或目的地，也允许在用户之间共享骑行。用户始终可以根据各个首选项列表使用其他运输方式。该问题可以作为车辆调度问题提出。为了解决该问题，构建了一个辅助图，在该图中，每次旅行在仓库中的启动和结尾，并覆盖可能的乘车共享，以时空图中的形式建模为弧。我们提出了一种基于列生成的两层分解算法，其中主问题可确保最多只能涵盖每个请求，并且定价问题通过在时间 - 时间中解决一种最短路径问题来生成新的有希望的路线空间网络。报告了基于现实实例的计算实验。基准实例基于奥地利维也纳的人口，空间和经济数据。我们通过在合理时间内基于列生成的方法来解决大型实例，并进一步研究了各种精确和启发式定价方案。

在带有电动车队的乘车系统中，充电是一个复杂的决策过程。大多数电动汽车（EV）出租车服务要求驾驶员做出利己主义决定，从而导致分散的临时充电策略。车辆之间通常缺乏或不共享移动性系统的当前状态，因此无法做出最佳的决定。大多数现有方法都不将时间，位置和持续时间结合到全面的控制算法中，也不适合实时操作。因此，我们提出了一种实时预测性充电方法，用于使用一个名为“闲置时间开发（ITX）”的单个操作员进行乘车服务，该方法预测了车辆闲置并利用这些时期来收获能量的时期。它依靠图形卷积网络和线性分配算法来设计最佳的车辆和充电站配对，以最大程度地提高利用的空闲时间。我们通过对纽约市现实世界数据集的广泛模拟研究评估了我们的方法。结果表明，就货币奖励功能而言，ITX的表现优于所有基线方法至少提高5％（相当于6,000个车辆操作的$ 70,000），该奖励奖励功能的建模旨在复制现实世界中乘车系统的盈利能力。此外，与基线方法相比，ITX可以将延迟至少减少4.68％，并且通常通过促进顾客在整个车队中更好地传播乘客的舒适度。我们的结果还表明，ITX使车辆能够在白天收获能量，稳定电池水平，并增加需求意外激增的弹性。最后，与表现最佳的基线策略相比，峰值负载减少了17.39％，这使网格操作员受益，并为更可持续的电网使用铺平了道路。

入院后护理管理协调患者的转诊，以改善从医院出院，尤其是老年人和长期患者。在护理管理环境中，健康转诊是由托管护理组织（MCO）的专业部门处理的，该部门与许多其他实体进行互动，包括住院医院，保险公司和入院后护理提供者。在本文中，提出了一个机器学习引导的离散事件仿真框架，以改善健康推荐处理。开发了基于随机福雷林的预测模型来预测LOS和推荐类型。构建了两个仿真模型，以代表转介处理系统和智能系统的AS配置，分别合并了预测功能。通过将推荐处理系统的预测模块合并以计划和优先级推荐，在减少平均转介创建延迟时间方面增强了整体性能。这项研究将强调放电后护理管理在改善健康质量和降低相关成本方面的作用。此外，本文演示了如何使用集成系统工程方法来改进复杂的医疗系统的过程。

制造公司通常使用复杂的生产计划系统优化生产步骤，通常提供近乎最佳的解决方案。作为交付近乎最佳时间表的缺点，计划系统具有很高的计算需求，导致计算数小时。在正常情况下，如果在执行时间表之前有足够的缓冲时间（例如第二天晚上）。但是，如果发生意外的干扰，例如延迟零件交货或缺陷制造商品，计划的时间表可能无效，而迅速的重新植入变得必要。由于计算要求，这种立即进行的重复不适合现有的最佳规划师。本文提出了一种新颖的解决方案，可以在使用现有计划的不同类型的破坏情况下有效，有效地进行重新设计。该方法是基于想法，以尽可能多地遵守现有时间表，并根据有限的本地变化进行调整。为此，已经设计了一种基于代理的调度机制，其中代理代表材料和生产地点，并使用局部优化技术和谈判来生成适应的（足够但非最佳）时间表。该方法已使用华为的真实生产数据进行了评估，表明有效的时间表是在短时间内生产的。该系统已被实施为概念证明，目前已重新实现并转移到基于Jadex代理平台的生产系统中。

本研究提出了两个新的动态分配算法，将难民和寻求庇护者与东道国内的地理区域相匹配。目前在瑞士的多年来飞行员中实施的第一个，旨在通过最小不和谐的在线分配算法来最大限度地提高难民的平均预期就业水平（或利息的任何衡量结果）。尽管与后视最佳解决方案相比，所提出的算法达到了近乎最佳的预期就业，但它可能会随着时间的推移而导致定期不平衡的分配。这导致了移民资源和代理商的不良工作量低效，他们无法在地方之间移动。为了解决这个问题，第二种算法平衡了改善难民结果的目标，随着时间的推移甚至对每个地方的甚至分配。拟议方法的性能是使用来自美国最大的移民安置机构之一的真正难民移民安置数据进行说明。在此数据集上，我们发现分配平衡算法可以随着时间的推移实现接近完美的平衡，而与纯就业最大化算法相比，预期就业几乎没有损失。此外，分配平衡算法提供了许多辅助益处，包括对未知到达流量的鲁棒性，并通过更大的探索增加弹性。

Platelet products are both expensive and have very short shelf lives. As usage rates for platelets are highly variable, the effective management of platelet demand and supply is very important yet challenging. The primary goal of this paper is to present an efficient forecasting model for platelet demand at Canadian Blood Services (CBS). To accomplish this goal, four different demand forecasting methods, ARIMA (Auto Regressive Moving Average), Prophet, lasso regression (least absolute shrinkage and selection operator) and LSTM (Long Short-Term Memory) networks are utilized and evaluated. We use a large clinical dataset for a centralized blood distribution centre for four hospitals in Hamilton, Ontario, spanning from 2010 to 2018 and consisting of daily platelet transfusions along with information such as the product specifications, the recipients' characteristics, and the recipients' laboratory test results. This study is the first to utilize different methods from statistical time series models to data-driven regression and a machine learning technique for platelet transfusion using clinical predictors and with different amounts of data. We find that the multivariate approaches have the highest accuracy in general, however, if sufficient data are available, a simpler time series approach such as ARIMA appears to be sufficient. We also comment on the approach to choose clinical indicators (inputs) for the multivariate models.

我们研究了大规模实时乘车系统的优化，并提出了一种模块化设计方法，用于乘车共享的组件算法（CAR）。我们评估了一套多种汽车（总共14辆），重点是乘车共享的关键算法组件。我们采用一种多目标方法，评估了与全球效率，复杂性，乘客，驾驶员和平台激励措施有关的12个指标，以在各个方面非常类似于现实，重点介绍了能力二的工具。据我们所知，这是迄今为止最大，最全面的评估。我们（i）确定在全球，乘客，驾驶员或平台指标上表现良好的汽车，（ii）证明，轻巧的搬迁计划可以显着提高服务质量高达$ 50 \％\％$，并且（iii）强调了一种实用的，一种实用的，在所有指标中都能很好地运行，可扩展的启动汽车。

在这项研究中，我们提出了一个深入的学习优化框架，以解决动态的混合企业计划。具体而言，我们开发了双向长期内存（LSTM）框架，可以及时向前和向后处理信息，以学习最佳解决方案，以解决顺序决策问题。我们展示了我们在预测单项电容批号问题（CLSP）的最佳决策方面的方法，其中二进制变量表示是否在一个时期内产生。由于问题的动态性质，可以将CLSP视为序列标记任务，在该任务中，复发性神经网络可以捕获问题的时间动力学。计算结果表明，我们的LSTM优化（LSTM-OPT）框架大大减少了基准CLSP问题的解决方案时间，而没有太大的可行性和最佳性。例如，对于240,000多个测试实例，在85 \％级别的预测平均将CPLEX溶液的时间减少了9倍，最佳差距小于0.05 \％\％和0.4 \％\％\％\％\％的不可行性。此外，使用较短的计划范围训练的模型可以成功预测具有更长计划范围的实例的最佳解决方案。对于最困难的数据集，LSTM在25 \％级别的LSTM预测将70 CPU小时的溶液时间降低至小于2 CPU分钟，最佳差距为0.8 \％，而没有任何不可行。 LSTM-OPT框架在解决方案质量和精确方法方面，诸如Logistic回归和随机森林之类的经典ML算法（例如（$ \ ell $，s）和基于动态编程的不平等，解决方案时间的改进。我们的机器学习方法可能有益于解决类似于CLSP的顺序决策问题，CLSP需要重复，经常和快速地解决。

Warfarin is a widely used anticoagulant, and has a narrow therapeutic range. Dosing of warfarin should be individualized, since slight overdosing or underdosing can have catastrophic or even fatal consequences. Despite much research on warfarin dosing, current dosing protocols do not live up to expectations, especially for patients sensitive to warfarin. We propose a deep reinforcement learning-based dosing model for warfarin. To overcome the issue of relatively small sample sizes in dosing trials, we use a Pharmacokinetic/ Pharmacodynamic (PK/PD) model of warfarin to simulate dose-responses of virtual patients. Applying the proposed algorithm on virtual test patients shows that this model outperforms a set of clinically accepted dosing protocols by a wide margin. We tested the robustness of our dosing protocol on a second PK/PD model and showed that its performance is comparable to the set of baseline protocols.

乳腺癌是一种常见且致命的疾病，但是早期诊断时通常可以治愈。尽管大多数国家都有大规模筛查计划，但就乳腺癌筛查的单一全球公认政策尚无共识。疾病的复杂性；筛查方法的可用性有限，例如乳房X线摄影，磁共振成像（MRI）和超声筛选；公共卫生政策都将筛查政策制定。资源可用性问题需要设计符合预算的政策，该问题可以作为约束的部分可观察到的马尔可夫决策过程（CPOMDP）建模。在这项研究中，我们提出了一个多目标CPOMDP模型，用于乳腺癌筛查两个目标：最大程度地减少因乳腺癌而死亡的终生风险，并最大程度地调整了质量调整后的寿命。此外，我们考虑了扩展的动作空间，该空间允许筛查乳房X线摄影超出筛查方法。每个动作都对质量调整后的终身年份和终身风险以及独特的成本都有独特的影响。我们的结果揭示了针对不同预算水平的平均和高风险患者的最佳解决方案的帕累托前沿，决策者可以将其用于实践制定政策。

蒙特卡洛树搜索（MCT）是设计游戏机器人或解决顺序决策问题的强大方法。该方法依赖于平衡探索和开发的智能树搜索。MCT以模拟的形式进行随机抽样，并存储动作的统计数据，以在每个随后的迭代中做出更有教育的选择。然而，该方法已成为组合游戏的最新技术，但是，在更复杂的游戏（例如那些具有较高的分支因素或实时系列的游戏）以及各种实用领域（例如，运输，日程安排或安全性）有效的MCT应用程序通常需要其与问题有关的修改或与其他技术集成。这种特定领域的修改和混合方法是本调查的主要重点。最后一项主要的MCT调查已于2012年发布。自发布以来出现的贡献特别感兴趣。