人力资源调度的方法及其电子装置

技术领域

本发明是有关于一种排班规划机制，且特别是有关于一种人力资源调度的方法及其电子装置。

背景技术

在高度竞争的产业界，各企业所面临的瓶颈问题并不是找到一组“可行”的结果，而是希望找到一组可以保证“作业成本最低”的规划结果。然而，由于在人员排班与维修计划制定时需要考虑的因素众多，资源配置为复杂度极高的问题，可行的计划组合可能达到上千万种，因此要在合理时间内从中找到一组“作业成本最低”的计划结果，可行且成本最低，是属于难度极高、有待突破的企业问题。

发明内容

本发明提供一种人力资源调度的方法及其电子装置，可以在极短时间内找到作业成本最低的人力资源调度规划。

本发明的人力资源调度的方法，其通过处理器来执行，所述方法包括：基于测试目标函数与多个测试限制式来建构测试模型；将设定数据代入至测试模型，使得测试限制式基于测试目标函数进行求解，以基于求解结果来判断设定数据是否有效；以及响应于测试模型判定设定数据为有效，将设定数据输入至最佳化模型，以获得人力资源调度规划。

在本发明的一实施例中，上述测试目标函数是以加班时数上限的第一宽放因子与连续出勤天数上限的第二宽放因子最小化为目标。在基于求解结果来判断设定数据是否有效之后，响应于测试模型判定设定数据为无效，通过测试目标函数反馈对应求解结果的输出数据。

在本发明的一实施例中，上述输出数据包括第一宽放因子或第二宽放因子。利用测试目标函数来判断设定数据是否有效的步骤包括：判断第一宽放因子或第二宽放因子是否等于0；响应于第一宽放因子及第二宽放因子等于0，判定设定数据为有效；以及响应于第一宽放因子或第二宽放因子不等于0，判定设定数据为无效。

在本发明的一实施例中，上述人力资源调度规划包括：员工排班规划，决定多个员工的排班信息，每一员工的排班信息包括出勤状态、常规班工时、加班状态以及加班时数，出勤状态代表是否安排出勤，加班状态代表是否安排加班；员工任务规划，决定每一员工的机种处理信息，每一员工的机种处理信息包括：至少一机种、每一机种的处理时间、单位人时产能(units per people per hour，UPPH)以及每一机种的处理数量；以及在制品(Work-In-Process，WIP)剩余数量表，决定在工班结束后每一机种中所剩余的在制品数量。

在本发明的一实施例中，在获得人力资源调度规划之后更包括：整合员工排班规划、员工任务规划以及在制品剩余数量表，而获得：员工工作规划，记录每一员工针对订单种类所对应处理的全部机种、每一机种的处理时间、单位人时产能以及每一机种的处理数量；员工工作枢纽分析，记录每一员工所对应处理的全部机种、总处理时间以及总处理机种数量；以及员工排班时数表，记录有出勤的每一员工的常规班工时以及加班时数。

在本发明的一实施例中，上述设定数据包括订单种类的在制品目标数量、常规班工时上限、常规班工时下限、加班时数上限、加班时数下限、连续出勤天数上限。所述测试限制式用以基于设定数据、员工出勤数据、机种数据及员工工作数据，来确定人力资源规划的合理性。所述员工出勤数据包括多个员工各自对应的连续出勤天数。所述机种数据包括对应于多个订单种类的多个机种、每一机种对应的目前在制品数量以及每一机种预计的在制品数量。所述员工工作数据包括每一员工有能力处理的机种以及每一机种的单位人时产能。

在本发明的一实施例中，上述最佳化模型包括多个最佳化目标函数以及多个目标限制式，所述目标限制式用以确定人力资源规划的合理性。而将设定数据输入至最佳化模型之后，更包括：基于函数优先顺序，逐一执行所述多个最佳化目标函数。

在本发明的一实施例中，上述最佳化目标函数包括用以最小化总加班时数的函数、用以最大化总处理机种数量的函数以及最小化总出勤人数的函数。

本发明的电子装置，包括：存储器，用以存储测试模型以及最佳化模型；以及处理器，耦接至存储器，其中处理器经配置以：基于测试目标函数与多个测试限制式来建构测试模型；将设定数据代入至测试模型，使得测试限制式基于测试目标函数进行求解，以基于求解结果来判断设定数据是否有效；以及响应于测试模型判定设定数据为有效，将设定数据输入至最佳化模型，以获得人力资源调度规划。

本发明的人力资源调度的方法，其通过处理器来执行。所述方法包括：基于多个最佳化目标函数以及多个目标限制式来建构最佳化模型，其中最佳化目标函数包括用以最小化总加班时数的函数、用以最大化总处理机种数量的函数以及最小化总出勤人数的函数；以及将设定数据输入至最佳化模型，并基于函数优先顺序，逐一执行所述最佳化目标函数，以获得对应于所述最佳化目标函数的人力资源调度规划。

基于上述，本发明建构测试模型与最佳化模型。以测试模型确认设定数据是否有效，并在判定设定数据无效时反馈求解信息，借此供使用者评估调整相关参数。在最佳化模型中，依据所设定最佳化目标函数进行最佳人员排班与维修计划求解。据此，以数学模型功能限制式规划结合最佳化目标函数设定，确保可以在极短时间内获得作业成本最低的人力资源调度规划。

附图说明

图1是依照本发明一实施例的电子装置的方框图。

图2是依照本发明一实施例的人力资源调度的方法流程图。

图3是依照本发明一实施例的人力资源调度的方法流程图。

其中，附图标记说明如下：

100：电子装置

110：处理器

120：存储器

121：测试模型

123：最佳化模型

S205～S225：人力资源调度的方法的步骤

S305～S340：人力资源调度的方法的步骤

具体实施方式

图1是依照本发明一实施例的电子装置的方框图。请参照图1，电子装置100例如为具有运算功能的智能手机、平板电脑、笔记本电脑、个人电脑、服务器等任意电子装置。电子装置100至少包括处理器110以及存储器120。

处理器110例如为中央处理单元(Central Processing Unit，CPU)、物理处理单元(Physics Processing Unit，PPU)、可编程微处理器(Microprocessor)、嵌入式控制芯片、数字信号处理器(Digital Signal Processor，DSP)、特殊应用检测电路(ApplicationSpecific Integrated Circuits，ASIC)或其他类似装置。

存储器120例如是任意型式的固定式或可移动式随机存取存储器(Random AccessMemory，RAM)、唯读存储器(Read-Only Memory，ROM)、快闪存储器(Flash memory)、硬盘或其他类似装置或这些装置的组合。存储器120用以存储测试模型121以及最佳化模型123。测试模型121以及最佳化模型123是由一或多个程序码片段所组成，上述程序码片段在被安装后，会由处理器110来执行下述人力资源调度的方法。

本实施例以整数规划(Integer Programming，IP)为基础，建构测试模型(testmodel)121与最佳化模型(optimization model)123。测试模型121是以最佳化模型123为基础所设计。首先，以测试模型121确认在设定数据是否有效，并反馈求解信息供使用者评估调整相关参数。在最佳化模型123中，将依据使用者所设定的最佳化目标函数进行员工排班与任务规划求解(例如维修、制造、组装、焊接、测试等任务规划)。在不同决策情境下，使用者亦可依据偏好自行设定最佳化目标函数的优先顺序，以多阶层方式进行最佳化求解。

在本公开中，利用CPLEX内建的启发式演算法搜寻引擎，自适应呼叫函式库中各种演算法，例如分支切割演算法(branch-and-cut algorithm)、原始对偶单体演算法(primal/dual simplex algorithm)、神经单体演算法(network simplex algorithm)等，协助使用者迅速找到初始解、可行解，并通过目标函数的自适应放松来跳脱局部最佳解的窘境，协助使用者找到全域最佳解。

本公开导入限制式自适应放松法(adaptive relaxed method)，应用于测试模型121的求解过程中，可以依据当前解与测试限制式的匹配程度，采用适当大小的宽放因子(tolerance factor)(其值≧0)来加速收敛的速度，迅速判断是否具可行解并回馈使用者参数调整相关信息。

图2是依照本发明一实施例的人力资源调度的方法流程图。请参照图2，在步骤S205中，基于测试目标函数与多个测试限制式来建构测试模型121。

接着，在步骤S210中，利用测试模型121将设定数据代入至测试限制式，使得测试限制式基于测试目标函数进行求解。设定数据包括订单种类的在制品(Work-In-Process，WIP)目标数量、常规班工时上限、常规班工时下限、加班时数上限、加班时数下限以及连续出勤天数上限。

在步骤S215中，判断设定数据是否有效。即，在通过测试限制式基于测试目标函数进行求解之后，基于求解结果来判断设定数据是否有效。测试模型121主要是用于判定在给定的设定数据下是否具有可行解。

响应于测试模型121判定设定数据为无效(不具有可行解)，在步骤S225中，通过测试目标函数反馈输出数据。据此，通过反馈输出数据(求解结果)供使用者评估以便调整相关参数，并再次通过测试模型121进行判断，直到判定设定数据为有效。

在一实施例中，存储器120还包括一使用者接口，供使用者输入数据。即，处理器110通过使用者接口接收使用者的输入(例如：设定数据)，并且还可进一步通过使用者接口来呈现反馈的输出数据。

响应于测试模型121判定设定数据为有效(具有可行解)，在步骤S220中，将设定数据输入至最佳化模型123，以获得人力资源调度规划。

底下以维修任务来进一步说明最佳化模型123与测试模型121。然，在其他实施例中，以可针对制造、组装、焊接、测试等任务规划来进行求解。

最佳化模型123包括多个最佳化目标函数以及多个目标限制式。在本实施例中，以总加班时数最小化、总处理机种数量最大化以及总出勤人数最小化来作为最佳化模型123的最终目标。底下以最佳化目标函数F1～F3进行说明。

最佳化目标函数F1：

最佳化目标函数F2：

最佳化目标函数F3：

最佳化模型123所设计的最佳化目标函数考虑成本与效率两项作业管理重要绩效指标。在不同决策情境下，可依据需求选择欲最佳化的最佳化目标函数进行规划求解。此外，亦可依据函数优先顺序(可基于需求而预先设定)，以多阶层方式进行最佳化求解。

最佳化模型123中所使用的目标限制式如下所示。

目标限制式P1：WHL×x

目标限制式P1用以限定倘若员工i安排出勤(x

目标限制式P2：OTL×y

目标限制式P2用以限定倘若员工i安排加班(y

目标限制式P3：WHU-EWH

目标限制式P4：CWD

目标限制式P5：

目标限制式P5用以限制员工i实际维修工作时数的上下限。于实务中，员工可能因疲劳或其它因素而引起作业效率下降等时间损失。目标限制式P5将作业宽放时间SLT纳入考量，以确保员工出勤工时与维修计划安排合理且合理评估产出。

目标限制式P6：

目标限制式P7：

目标限制式P7用以限制属于订单种类CTO的机种j，即员工i处理(维修)属于订单种类CTO的机种j的处理数量。于实务中，因订单种类CTO的需求规定需被优先指派维修完毕，目标限制式P7可确保达成此目标。

目标限制式P8：

目标限制式P9：

测试模型121是以最佳化模型123为基础所设计，功能主要为判定在设定数据下是否具可行解，并反馈输出数据供使用者评估以便调整相关参数。在本实施例中，测试目标函数是以加班时数上限OTU的第一宽放因子与连续出勤天数上限的第二宽放因子最小化为目标。测试目标函数设定为如下：

测试目标函数TF：

在测试目标函数TF中予以第一宽放因子u

测试模型121用以基于设定数据、员工出勤数据、机种数据及员工工作数据，来确定人力资源规划的合理性。所述员工出勤数据包括多个员工各自对应的连续出勤天数。所述机种数据包括对应于多个订单种类的多个机种、每一机种对应的目前在制品(WIP)数量以及每一机种预计的WIP数量。所述员工工作数据包括每一员工有能力处理的全部机种以及每一机种的单位人时产能(UPPH)。在本实施例中，测试模型121包括下述测试限制式T1～T10。

测试限制式T1：WHL×x

测试限制式T2：OTL×y

测试限制式T3：u

测试限制式T4：WHU-EWH

测试限制式T5：CWD

测试限制式T6：

测试限制式T7：

测试限制式T8：

测试限制式T9：

测试限制式T10：

于实务中，维修计划安排主要受限于员工的连续出勤天数与加班时数上限等两项人力资源限制，连续出勤天数将影响当天班次可安排的员工总数，加班时数上限则决定每位可出勤员工可安排的最大工作时数。因此，测试模型121针对此两项参数分别导入宽放因子，并将其作为决策变数最小化。设计概念为当测试模型121求解完成后，如宽放因子值为0即代表目前所设定的连续出勤天数上限与加班时数上限具备可行解，可使用最佳化模型123进一步求解。反之，可将宽放因子最佳值反馈至使用者，显示反馈输出数据，其中，反馈输出数据建议其应如何调整员工连续出勤天数与加班时数上限参数值应如何调整。待评估确认后，再以最佳化模型123以调整后参数值进行求解。输出数据包括第一宽放因子u

图3是依照本发明一实施例的人力资源调度的方法流程图。请参照图3，在步骤S305中，由处理器110执行测试模型121。在步骤S310中，处理器110判断第一宽放因子u

倘若第一宽放因子u

倘若接受输出数据，则将设定数据调整为建议值后，执行步骤S330～步骤S340。倘若不接受输出数据，则在步骤S325中重新调整设定数据。之后，重新执行步骤S305。例如，提高WIP目标数量、调整常规班工时。或者，也可进一步调整订单种类CTO的需求、增加员工数量等。

倘若第一宽放因子u

举例来说，在步骤S330中，利用最佳化目标函数F1以获得在最小化全部员工的总加班时数的情况下的人力资源调度规划。接着，在步骤S335中，利用最佳化目标函数F2以获得在最大化总处理机种数量的情况下的人力资源调度规划。之后，在步骤S340中，利用最佳化目标函数F3以获得在最小化总出勤人数的情况下的人力资源调度规划。

在电子装置100中，可进一步在使用者接口中设置最佳化目标函数选项，供使用者从中针对最佳化目标函数F1、F2、F3进行最佳化目标函数的优先排序。举例来说，假设使用者的排序结果是以F1作为第一阶段的最佳化目标函数、以F2作为第二阶段的最佳化目标函数、以F3作为第三阶段的最佳化目标函数。在此，处理器110执行步骤S330以获得在最小化全部员工的总加班时数的情况下的人力资源调度规划。接着，在步骤S335中，处理器110以最佳化目标函数F1的函数值作为固定参数并代入至第二阶段的最佳化目标函数F2中作为一项限制式，以获得在最大化总处理机种数量的情况下的人力资源调度规划。之后，在步骤S340中，处理器110以最佳化目标函数F2的函数值作为另一个固定参数并代入第三阶段的最佳化目标函数F3中作为另一项限制式，以获得在最小化总出勤人数的情况下的人力资源调度规划。依此，实现最佳化模型多阶层目标规划功能。于其他实施例中，可仅执行最佳化目标函数F1、F2、F3中的任一个或任两个，视需求来进行设计。

所述人力资源调度规划包括员工排班规划、员工任务规划以及在制品(WIP)剩余数量表。员工排班规划决定多个员工的排班信息。各员工的排班信息包括出勤状态(是否安排出勤)、常规班工时、加班状态(是否安排加班)以及加班时数。

员工任务规划决定各员工的机种处理信息。所述机种处理信息包括机种、各机种的处理时间、单位人时产能(UPPH)以及各机种的处理数量。WIP剩余数量表决定在工班结束后各机种中所剩余的WIP数量。

底下再举一例说明。

测试模型121与最佳化模型123所需参数包括：员工出勤数据(参照表1)、机种数据(参照表2)、员工工作数据(参照表3)以及设定数据。员工出勤数据包括多个员工各自对应的连续出勤天数。机种数据包括对应于多个订单种类的多个机种、每一机种对应的目前WIP数量以及每一机种对应的预计来临的WIP数量，分为CTO订单或BTO订单。员工工作数据包括每一员工有能力处理(维修)的全部机种以及每一机种的单位人时产能(UPPH)。

表1(员工出勤数据)

表2(机种数据)

表3(员工工作数据)

在表3中，机种栏位为该员工有能力处理(维修)的机种，UPPH

设定数据包括订单种类的WIP目标数量、常规班工时上限、常规班工时下限、加班时数上限、加班时数下限、连续出勤天数上限。设定数据为使用者设定的参数。

将上述员工出勤数据、机种数据、员工工作数据以及设定数据输入最佳化模型123后，即可获得人力资源调度规划。

表4所示为员工排班规划，用以显示员工上班、加班与否以及上班加班的时数。其中，x

表4

表5所示为员工任务规划，显示员工排班期间内需处理(维修)哪些机种与处理时间、处理数量。举例来说，员工D0001有能力维修的机种有三种：M001_BTO、M002_BTO与M003_BTO，只有第一种M001_BTO的处理时间为7.47，其余两机种的处理时间均为0，代表在此排班期间员工D0001只负责维修机种M001_BTO且处理数量为13。

表5

表6为在制品(WIP)剩余数量表，显示各机种的WIP剩余数量，代表在此工班结束后各机种剩余的WIP数量。举例来说，机种M001_BTO(属于订单种类BTO)在排班结束后仍会剩余219个WIP。关于订单种类CTO，因客户要求在当前工班结束前必须维修完毕，故订单种类CTO的各类机种不会显示在WIP剩余数量表中。

表6

为了增加易读性，还可进一步整合员工排班规划、员工任务规划以及WIP剩余数量表，而获得员工工作规划(参照表7)、员工工作枢纽分析(参照表8)以及员工排班时数表(参照表9)。

表7为员工工作规划，显示员工于排班期间内需维修的机种，其记录各员工针对订单种类所对应维修的全部机种、每一机种的处理时间、单位人时产能(UPPH)以及每一机种的处理数量。将处理时间为0的数据排除掉后，剩余的数据即为员工需维修的机种、处理时间、UPPH与处理数量。举例来说，在排除处理时间为0的数据后，可明显看出员工D0001只负责一个机种的维修，员工D0006则负责两个机种的维修任务。

表7

表8为员工工作枢纽分析，记录每一员工所对应维修的全部机种、总处理时间以及总处理机种数量。通过枢纽分析可快速看出每个员工需维修的机种与处理时间、处理数量的合计。举例来说D0006在排班期间内需要维修6种机种，这6种机种加总起来的处理时间为11.95，总处理数量为54个。

表8

表9为员工排班时数表，记录有出勤的每一员工的常规班工时以及加班时数。员工排班时数表将常规班工时为0的数据排除，剩余的数据即为有安排常规班的员工以及此员工的加班时数。举例来说，员工D0001加班时数为0代表不加班，员工D0007加班时数为5.5代表除正常班工时8小时外，仍需加班5.5小时。

表9

本公开提供使用者在不同决策情境下策略性组合使用，以评估各种最佳解决方案。求解计划内容涵盖员工的常规班工时、加班工时、人员维修机种别与数量指派。此外，本公开亦加入参数自适应(self-adaptive)调整机制，用以判断目前员工的加班时数与连续出勤天数上限的设定是否可满足机种维修需求，并将相关建议信息反馈给使用者，以利及时调整人员调度计划。举例，当使用者将机种维修需求汇入至电子装置100时，电子装置100会利用测试模型121运算并反馈加班时数上限与连续出勤天数上限是否需做调整以及建议值，方便使用者可及时检视与修改相关数据后，将更新后的设定数据重新汇入电子装置100，以利最佳化模型123求解出最终且最佳的人力资源调度规划。

综上所述，本公开可因应机种维修需求或相关指定排班条件变更，及时重新规划求解以提升作业效率与服务水准。经实验结果证时，本公开对于组合复杂度极高的排班维修规划，平均可在30秒内求算出最佳解，并节省99.6％的人员规划用时(原本由人工进行的人工排班规划需耗时约2小时，使用本公开进行规划则平均需耗时30秒)，可最佳化管控加班时数，节省加班费用；且可根据人员技术程度进行排班，进而可提高品质与效率，降低二次返修的成本。此外，不需人力规划排班，可节省人力成本。