Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A column generation approach for the integrated shift and task scheduling problem of
logistics assistants in hospitals
Un enfoque de generación de columnas para el problema de programación de tareas y
turnos integrados de los asistentes de logística en los hospitales
Diapositiva 2: Introducción
Información acerca del/los autores del artículo: Jonas volland, Andreas Fügener ,
Jens O. Brunner
Título de la revista (journal): European Journal of Operational Research
Volumen: 260 con numero (1)
Fecha de publicación: 1 julio 2017
DOI: https://doi.org/10.1016/j.ejor.2016.12.026
Tema general:
Hoy en día en los hospitales existen dos tipos de costos que preocupa a los gerentes, una de
ellas es el costo de personal y costos relacionados con la logística. En consecuencia, uno de
los principales desafíos para los gerentes de los hospitales es la contención de costos, sin
afectar negativamente la calidad de la atención al paciente. Por ello, los hospitales crean un
nuevo puesto llamado asistentes logísticos que se encargan de las tareas logísticas del
personal médico. Después de haber definido qué tareas deben adoptar estos asistentes, el
desafío actual consiste en dimensionar el número de asistentes logísticos.
Hay dos publicaciones que utilizan enfoques de generación de columnas para resolver
problemas de programación de tareas y turnos integrados. Beliën y Demeulemeester (2008)
presentan un modelo integrado para la programación de cirugías y enfermeras a nivel
táctico. En la parte de programación de tareas de su modelo, definen los horarios de cirugía,
mientras que, en la parte de programación del personal, los días libres de las enfermeras se
establecen de acuerdo con un modelo de turno explícito. En la programación de la cirugía,
asignan bloques de recursos a los cirujanos sujetos a limitaciones de capacidad. Resuelven
el problema integrado basándose en un algoritmo de sucursales y precios.Maenhout y
Vanhoucke (2016)Presentar un algoritmo de sucursales y precios para la programación de
tareas y la dotación de personal de proyectos integrados para realizar la programación de
días de entrada y salida para una fuerza de trabajo homogénea. En un trabajo anterior de los
mismos autores, se evalúan diferentes políticas de programación para el tipo de problema
presentado (Maenhout & Vanhoucke 2015).
Diapositiva 7: El problema
P ara hacer frente a los crecientes costes sanitarios, los hospitales introducen un nuevo tipo
de empleado que se hace cargo de las tareas logísticas de las enfermeras especializadas, a
saber, los auxiliares de logística. A la luz de la introducción, los hospitales se enfrentan a la
cuestión de dimensionar su número. El contexto de nuestro problema es de carácter
estratégico, con el objetivo de encontrar el número mínimo de trabajadores necesarios para
cumplir con todas las tareas. Por esto, se presenta un programa de enteros mixtos que
permite definir el número óptimo de auxiliares de logística, dados los requisitos de tarea
predefinidos combinando la programación de turnos flexible con un problema de
programación de tareas.
Diapositiva 8:
La lógica del modelo se muestra en la figura y los asistentes logísticos se considera como
suministro de recursos, mientras que las tareas representan la demanda de recursos. De este
modo, hay que garantizar que, en cualquier momento, la oferta de recursos coincida al
menos con la demanda de recursos, lo que significa que todas las tareas logísticas se
realicen.
Diapositiva 9: Metodología
Se propone un algoritmo exacto para nuestro problema que constituye tres pasos
principales:
En primer lugar, se desarrolla un modelo matemático de acuerdo a la revisionde literatura
realizado con anterioridad. En segunda instancia, se desarrolla un límite inferior apretado
para nuestro problema. Para ello, aplicamos una descomposición Dantzig-Wolfe y
utilizamos un enfoque de generación de columnas para resolver la reformulación. En el
tercer paso, se encuentra heurísticamente una solución de inicio factible para nuestro
problema de optimización aprovechando las columnas generadas en el primer paso y
además generamos columnas utilizando un sofisticado procedimiento heurístico. Por
último, el problema se resuelve como un MIP en la formulación tal como se presento en la
diapositiva pasada.
Diapositiva 10: Modelo matemático
A continuación, se explica el modelo matemático y su función objetivo es encontrar el
número mínimo de empleados, mostrando la función objetivo para el caso más general de
minimización de costos con el fin de obtener el número mínimo de empleados como
objetivo. Se establecieron en tres bloques de restricciones, por parte de la programación de
turnos se establecieron 11 restricciones, para las restricciones de programación de tareas se
identificaron 5 y las restricciones conjuntas son 2.
Diapositiva 11: Límite inferior estricto
Reformulamos el PAI basándonos en una descomposición dantzig-wolfe. El problema se
descompone por las programaciones de turnos y las programaciones de tareas, que produce
dos subproblemas (SPs) y un problema maestro (MP). El MP coordina los subproblemas y
contiene las restricciones conjuntas. S-SP, es decir, el SP de turno contiene las restricciones
de programación y genera programaciones de turnos factibles. T-SP, es decir, la tarea SP,
genera programaciones de tareas y contiene las restricciones de programación de tareas.
La función objetivo minimiza los costes totales, que es igual a la función objetiva del MIP
(original). Los costes totales constituyen el número de empleados que trabajan en un
horario de turno específico λJ multiplicado con los costos por turno más los costos de
encubrimiento de la demanda.
Diapositiva 12: Límite inferior estricto
Agregamos columnas a nuestro MP resolviendo los dos subproblemas de manera iterativa.
Durante la generación de columnas, la búsqueda de nuevas columnas está guiada por el
problema dual del MP linealizado. Al ejecutar la generación de columnas presentada, se
necesita un gran número de iteraciones hasta que se demuestre la optimización de MP-LP.
La optimización se logra una vez que los subproblemas óptimamente resueltos ya no fijan
precios, es decir, no se encuentran cortes de inviabilidad duales.
Como nuestro objetivo de emplear la generación de columnas es encontrar un buen límite
inferior entero de nuestro problema, podemos terminar la generación de columnas antes de
lograr la optimización de MP-LP. Para encontrar un límite inferior válido, aprovechamos la
información que obtenemos de la generación de columnas. La idea básica es basarse en la
información de MP-LP, así como en los dos subproblemas. Nuestro objetivo es terminar la
generación de columnas en iteración i cuando nuestro límite inferior actual es mayor o igual
que nuestro valor objetivo actual de MP-LP.
Diapositiva 13: Solución de inicio factible
El paso 1 comprende la generación de columnas para encontrar el límite inferior. En cada
iteración, verificamos si ya se ha encontrado el límite inferior. Los valores objetivos de los
dos subproblemas se inicializan con infinito negativo, de modo que podamos calcular el
límite inferior desde la primera iteración en adelante. Si se ha encontrado el límite inferior,
terminamos la generación de columnas antes.
El paso 2, es decir, la búsqueda de una buena solución de inicio factible. Si no, llamamos
iterativamente a los dos subproblemas uno tras otro. Llamamos T-SP en cada iteración par
y S-SP en cada iteración impar. Cuando sale el precio del subproblema respectivo,
agregamos la columna resultante a MP y resolvemos MP-LP. En caso de que tanto T-SP
como S-SP ya no tengan precio, se cumple el criterio de parada estándar de la generación
de columnas. En este caso, continuamos con el paso 2 de nuestro algoritmo y
seleccionamos el mejor límite inferior hasta ese momento. En este paso, resolvemos MP-IP
con las columnas de tareas de alta calidad seleccionadas y todas las columnas de turno
generadas.
En el último paso 3, mejoramos nuestra solución de inicio llamando al MIP con nuestro
límite inferior.
Diapositiva 14: Resultados
Para los resultados, se realizó una comparación entre el criterio de parada de límite inferior
introducido y la convergencia del valor objetivo MP-LP. Por esto, se ilustra el
comportamiento de convergencia para nuestra instancia de problema del mundo real de
tamaño mediano de 200 tareas. El eje horizontal representa el número de iteraciones de
generación de columnas, mientras que el eje vertical representa el valor objetivo MP-LP z i
y el valor actual del límite inferior en la iteración i. Aplicando el criterio de detención del
límite inferior, la generación de la columna se puede terminar significativamente antes que
cuando se utiliza el criterio de detención regular. En este caso particular, finalizamos la
generación de columnas después de 109 iteraciones (2 minutos) en comparación con 620
iteraciones (22 minutos); esto equivale al 18% en términos de iteraciones o al 9% en
términos de tiempo en comparación con el criterio de parada regular.
Se observa un comportamiento comparable para las otras instancias del mundo real: la
instancia de problema de tamaño pequeño termina después de 120 iteraciones en lugar de
130 (92%), mientras que la instancia grande termina después de 257 iteraciones en lugar de
448 (57%) del número requerido de iteraciones al realizar todo el procedimiento de
generación de columnas.
Diapositiva 15: Resultados
Comparando nuestro procedimiento de solución con el CPLEX, demostramos que nuestra
solución es superior tanto en términos de calidad de la solución como de tiempo de
ejecución. Dentro del límite de tiempo de 10 horas, ninguna de nuestras instancias de
prueba se resuelve con una optimización. Sin embargo, la solución de la instancia pequeña
y media es sólo 1 o 2 trabajadores más grandes que el óptimo. La solución de la gran
instancia de problemas, incluye hipotético encubrimiento de la demanda: el valor objetivo
total es de 2441.036, que comprende 36 asistentes logísticos programados y 2441 períodos
de tiempo de demanda descubierta. La brecha del PAI es del 13,4%, 11,8% y 100% para la
pequeña, media y gran instancia, respectivamente.
Diapositiva 17: Conclusiones
Existe un considerable potencial de ahorro de costos al programar simultáneamente los
turnos y las tareas de los asistentes de logística en los hospitales y aprovechar la
flexibilidad incorporada.
Todas las instancias de prueba del mundo real se resuelven de manera óptima dentro de un
período de tiempo razonable, lo que claramente supera a un punto de referencia resuelto
con CPLEX.
Si bien aplicamos nuestro modelo a un caso de uso específico en la industria de la salud en
este documento, afirmamos que nuestro modelo y el enfoque algorítmico no se limita a este
tipo de empleado ni a esta industria, sino que tiene una amplia gama de áreas de aplicación
potenciales.