本发明涉及船舶管理和运筹学领域，尤其涉及一种基于机器学习的岗位匹配方法及装置。
背景技术：
1、在船舶管理中，人员值班排班是确保船舶安全运营和高效管理的重要环节。传统的排班方法通常依赖于人工经验或简单的优化算法，这些方法在面对复杂的约束条件和大规模的排班需求时，往往难以提供有效的解决方案。此外，船舶人员的技能匹配度、工作疲劳度和连续值班限制等因素也使得排班问题更加复杂和具有挑战性。因此，亟需一种能够在合理时间内高效解决复杂排班问题的新方法。
技术实现思路
1、本发明所要解决的技术问题在于，提供一种基于机器学习的岗位匹配方法及装置，提高了复杂约束的船舶人员值班排班的灵活性和求解效率，进而快速得到最优的排班方案。
2、为了解决上述技术问题，本发明实施例第一方面公开了一种基于机器学习的岗位匹配方法，所述方法包括：
3、s1，获取第一信息集、第二信息集和第三信息集；
4、所述第一信息集，包括人员信息、岗位信息和岗位更次信息v
5、所述第二信息集，包括若干条人员信息和人岗匹配信息；所述人岗匹配信息，用于表示人员岗位匹配度；
6、所述第三信息集，包括排班周期天数、最大值更天数、最大连续值更天数、特定值更信息和特定不值更信息；
7、所述特定值更信息，用于表示特定人员更次值更信息，包括人员信息、日期信息和更次信息；
8、所述特定不值更信息，用于表示特定人员更次不值更信息，包括人员信息、日期信息和更次信息；
9、s2，利用所述第一信息集和所述第二信息集对人岗匹配问题模型进行处理，得到优化人岗匹配问题模型；
10、s3，利用所述优化人岗匹配问题模型，对所述第三信息集进行处理，得到排班结果信息。
11、作为一种可选的实施方式，在本发明实施例第一方面中，所述人岗匹配问题模型表达式为：
12、
13、其中，p表示人岗匹配适应度值；a表示人岗适配度；x表示第一分配值；f(1)表示最大连续值更约束；；f(2)表示第一人性化个性化约束；f(3)表示第二人性化个性化；f(4)表示最大值更约束；f(5)表示最小值更约束；o表示第二分配值；p表示第三分配值；tw表示第四分配值；cw表示第一连续值更值；t+表示第二连续值更值；t-表示第三连续值更值；n表示人员索引；k表示岗位索引；d表示日期索引；s表示更次索引；s表示每日值更总次数；n表示人员总数；d表示值更天数vsor表示第一集合；dor表示第二集合；xndsk表示人岗匹配约束，且xndsk+xnd(s+1)k表示不连续值更约束，且
14、作为一种可选的实施方式，在本发明实施例第一方面中，所述人岗匹配问题模型，还包括：
15、
16、twndi≤pnj，j＝d，...，d+i-1；
17、
18、
19、其中，tw表示第四分配值；p表示人员日期匹配参数；a表示人岗适配参数；x表式第一分配值；o表示第二分配值；p表示第三分配值；j表示日期索引；n表示人员索引；k表示岗位索引；k表示总岗位数；d表示日期索引；s表示更次索引；s表示每日值更总次数；n表示人员总数；d表示值更天数。
20、作为一种可选的实施方式，在本发明实施例第一方面中，利用利用所述第一信息集和所述第二信息集对人岗匹配问题模型进行处理，得到优化人岗匹配问题模型。包括：
21、s21，对所述第一信息集进行解析处理，得到人员名单信息、岗位信息和岗位更次信息；
22、s22，对所述第二信息集进行解析处理，得到人员信息和人岗匹配信息；
23、s23，将所述人员信息、所述岗位信息、所述岗位更次信息和所述人岗匹配信息输入所述人岗匹配问题模型，得到优化人岗匹配问题模型。
24、作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述优化人岗匹配问题模型，对所述第三信息集进行处理，得到排班结果信息，包括：
25、s31，对所述第三信息集和所述第四信息集进行编码处理，得到人岗值班矩阵集；
26、所述人岗值班矩阵集，包括若干个人岗值班矩阵；
27、所述人岗值班矩阵，用于描述值班人员的值班信息v
28、所述值班信息，包括值班人员信息、值班日期信息、值班岗位信息和值班更次信息v
29、s32，利用所述优化人岗匹配问题模型，对所述人岗值班矩阵集进行处理，得到排班结果信息。
30、作为一种可选的实施方式，在本发明实施例第一方面中，所述对所述第三信息集和所述第四信息集进行编码处理，得到人岗值班矩阵集，包括：
31、s311，对所述第一信息集进行解析处理，得到人员名单信息、岗位信息和岗位更次信息；
32、s312，对所述第三信息集进行解析处理，得到排班周期天数、最大值更天数、最大连续值更天数、特定值更信息和特定不值更信息；
33、s313，对所述人员名单信息进行处理，得到所有的值岗人员；
34、s314，对任一所述值岗人员，利用所述人岗匹配问题模型，对所述人员名单信息、所述岗位信息、所述岗位更次信息、所述排班周期天数、所述最大值更天数、所述最大连续值更天数、所述特定值更信息和所述特定不值更信息进行处理，得到目标人岗值班矩阵；
35、s315，对所有的目标人岗值班矩阵按序进行组合，得到人岗值班矩阵集。
36、作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述优化人岗匹配问题模型，对所述人岗值班矩阵集进行处理，得到排班结果信息，包括：
37、s321，预设第一阈值；预设迭代次数值；预设处理次数等于1；遍历所述人岗值班矩阵集，得到所有的人岗值班矩阵；
38、s322，随机选取两个所述人岗值班矩阵，得到第一目标人岗值班矩阵和第二目标人岗值班矩阵；
39、s323，利用目标函数算法模型，对所述第一目标人岗值班矩阵和所述第二目标人岗值班矩阵进行计算处理，得到第一处理值；
40、s324，判断所述第一处理值是否大于所述第一阈值，得到第一判断结果；
41、当所述第一判断结果为是时，执行s325；
42、当所述第一判断结果为否时，执行s326；
43、s325，利用所述优化人岗匹配问题模型，得到目标记忆矩阵；
44、利用所述目标记忆矩阵更新所述第一目标人岗值班矩阵，得到第一目标人岗值班优化矩阵；
45、s326，利用所述第二目标人岗值班矩阵更新所述第一目标人岗值班矩阵，得到第一目标人岗值班优化矩阵；
46、s327，从所述人岗值班矩阵集中删除所述第一目标人岗值班矩阵，得到更新后人岗值班矩阵集；
47、使所述处理次数增加1；
48、s328，判断所述处理次数是否大于所述迭代次数值，得到第二判断结果；
49、当所述第二判断结果为是时，执行s329；
50、当所述第二判断结果为否时，执行s322；
51、s429，对所有的所述第一目标人岗值班优化矩阵进行按序组合，得到排班结果信息。
52、本发明实施例第二方面公开了一种基于机器学习的岗位匹配装置，装置包括：
53、获取模块，获取第一信息集、第二信息集和第三信息集；
54、第一处理模块，用于利用所述第一信息集和所述第二信息集对人岗匹配问题模型进行处理，得到优化人岗匹配问题模型；
55、第二处理模块，用于利用所述优化人岗匹配问题模型，对所述第三信息集进行处理，得到排班结果信息。
56、本发明第三方面公开了另一种基于机器学习的岗位匹配装置，所述装置包括：
57、存储有可执行程序代码的存储器；
58、与所述存储器耦合的处理器；
59、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的基于机器学习的岗位匹配方法中的部分或全部步骤。
60、本发明第四方面公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的基于机器学习的岗位匹配方法中的部分或全部步骤。
61、与现有技术相比，本发明有效解决了现有技术在大规模船舶人员排班问题中的求解效率低下的问题，提供了一种灵活和高效的排班方案，为船舶管理提供了有力的技术支持。
1.一种基于机器学习的岗位匹配方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习的岗位匹配方法，其特征在于，所述人岗匹配问题模型表达式为：
3.根据权利要求2所述的基于机器学习的岗位匹配方法，其特征在于，所述人岗匹配问题模型，还包括：
4.根据权利要求1所述的基于机器学习的岗位匹配方法，其特征在于，所述利用所述第一信息集和所述第二信息集对人岗匹配问题模型进行处理，得到优化人岗匹配问题模型，包括：
5.根据权利要求1所述的基于机器学习的岗位匹配方法，其特征在于，利用所述优化人岗匹配问题模型，对所述第三信息集进行处理，得到排班结果信息，包括：
6.根据权利要求5所述的基于机器学习的岗位匹配方法，其特征在于，所述对所述第一信息集和所述第三信息集进行编码处理，得到人岗值班矩阵集，包括：
7.根据权利要求5所述的基于机器学习的岗位匹配方法，其特征在于，所述利用所述优化人岗匹配问题模型，对所述人岗值班矩阵集进行处理，得到排班结果信息，包括：
8.一种基于机器学习的岗位匹配装置，其特征在于，所述装置包括：
9.一种基于机器学习的岗位匹配装置，其特征在于，所述装置包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于机器学习的岗位匹配方法。
