文献综述（或调研报告）：
国外关于护理调度的研究已持续了多年，研究方向则集中在模型和算法实现两个方面。此外还有研究提出了高度概括的理论文献综述[11]。
等人也对到2004为止的研究文献做了研究和总结，探讨了护理排班问题的同时，也对目前的研究方法做了综述，大致有数学规划，目标规划以及人工智能算法三大类。
Warner采用目标规划和多项选择来解决护士调度问题，他将每个护士可行的日程枚举出来建立了一个单项选择规划的数学模型[17]。B. Jaumard提出了一个有资源约束最短路径辅助问题的0-1列生成模型，率先将精确求解方法运用于灵活现实的护士调度模型中，隐式地分析所有可行的日程表[18]。Moz and Pato采用数学规划研究了没有备用护士的名册重排序问题，改进了原有的多物流模型，使新模型能够被用于护士人数不足/过剩的状况[19]。等人分析四个基本护士排程案例后，发现通过增强问题的结构，可以有效减少相关解的空间，同时使用混合整数线性规划来找最优解，同时为处理因从一个排程周期到另一个排程周期的连续性所产生的排程约束和参数选择提供一种方法论。
虽然数学规划方法能够获得调度问题的全局优解，但是当护士人数、排班时间和约束个数增加时，该方法就陷入了“维数灾”的困境，无法在线性时间内完成求解，甚至无法求解。因此，越来越多的学者尝试使用启发式方法求解护士排班问题[1]，也有人尝试将数学规划与启发式方法相结合，或将几种启发式方法结合，取长补短，获得更优的混合技术组合。
提出了一种系统性两阶段策略，第一阶段确定每周每个护理人员的工作负荷，第二阶段分配具体班次，同时应用了局部优化技术搜索护士所偏爱的排程。等人为护理调度问题建立了一种二阶数学模型。在该模型中综合考虑了医院管理需求，政府规章，以及护士们的班次偏好。在实例验证中，取得了不错的解，遗传算法是一种解决护理调度问题的有效工具，也容易被修正，以适应不同案例。等人采用了模拟退火算法与多邻域搜索法求解，同时还研究了算法中参数的协调。等人使用了基于列生成方法的约束规划方法来解护理排班问题，提出了深度差异搜索和费用阈值随搜索不断调整紧缩两种策略，使得运算过程收敛更快。 提出了一种混合启发式排序与变邻域搜索结合的方法，该方法可以通过反复运用启发式排序、变邻域搜索，反追踪等技术提升搜索区域，提高解的质量，经过与盈利遗传算法相比，结果更优。等提出了一种自适应邻域搜索法来解护士排程问题。
此外，还有文献关注护理调度问题中的公平性问题，对模型进行了更完善的思考。等人在为护士排班问题进行建模后，进一步考虑公平性指标，建立了新的模型。定义了FO函数描述护士中违背约束的数量与相应约束权重的乘积最大值，IO函数描述每个护士违背约束的数目与相应约束权重的乘积，进一步延伸至WIO、FIO、IIO函数，同时提出了基于多智能体合作的超启发式搜索算法。实例证明，在模型中加入公平性指标，能得到更公平的排班方案，而不影响问题复杂性。
国内关于护理调度的研究也正悄然兴起，虽然研究文献较少且水平参差不齐，但亦有相关研究课题得到了国家自然科学基金项目的支持[20][21]，并取得了一定的研究成果，如苏光辉等人率先针对我国护士排班问题建立了一个完整、带劳动法规约束、考虑护士级别差异的问题模型，并给出了求解算法[1][3][4]。
等人在已有的护士排班问题上，提出了一个两阶段求解算法。该算法的第一阶段通过分支限界算法寻找可行的日夜分班方案，第二个阶段对每个可行的日夜分班方案通过模拟退火算法进行优化。
等人从护士排班方案的可行性和实用性角度入手，首先基于时间序列预测理论，对病人数量分别建立了周期趋势预测模型和ARIMA 预测模型，并在此基础上计算出了护士需求数；然后阐述了国内护士排班问题，建立了护士排班问题的基本模型和考虑护士个人偏好、配合默契程度等因素扩展模型；最后，根据预测的护士需求数，分别使用下降算法和概率下降算法对基本模型和扩展模型求解。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
