In rotational workforce planning, a schedule is constructed from a sequence of work and rest periods. Each employee starts at a different part of the schedule, and after a certain amount of time, the schedule repeats. The length of the schedule increases with a higher number of employees. At the same time, various constraints on work sequences and days off have to be considered. For a large number of employees, it is difficult to construct a schedule that meets the requirements. It is important to ensure low solution times independently of the problem instance characteristics. In this work, a novel decomposition approach for rotational shift scheduling is proposed. The decomposition exploits the fact that most constraints in rotational workforce scheduling are imposed on the work shift sequence. By considering a fixed set of blocks to cover the demand, the problem complexity can be greatly reduced. Given a fixed set of blocks, we propose a network model that determines whether a feasible sequence of shift blocks exists. The decomposition approach is applied to the problem structure of the Rotating Workforce Scheduling Problem but may be extended to different problem structures. In a computational study, the decomposition approach is compared to a mathematical formulation and previous exact and heuristic approaches. Computational results show that the decomposition approach greatly outperforms previous heuristics on the standard benchmarks.

中文翻译：

---

轮换劳动力调度的分解启发式

在轮换劳动力规划中，时间表是由一系列工作和休息时间构成的。每个员工从日程的不同部分开始，经过一定时间后，日程会重复。时间表的长度随着员工人数的增加而增加。同时，必须考虑对工作顺序和休息日的各种限制。对于大量的员工来说，很难构建一个符合要求的时间表。确保独立于问题实例特征的较短求解时间很重要。在这项工作中，提出了一种新颖的轮班调度分解方法。分解利用了这样一个事实，即轮换劳动力调度中的大多数约束都强加于工作班次序列。通过考虑一组固定的块来满足需求，可以大大降低问题的复杂度。给定一组固定的块，我们提出了一个网络模型来确定是否存在可行的移位块序列。分解方法适用于轮换劳动力调度问题的问题结构，但可以扩展到不同的问题结构。在计算研究中，分解方法与数学公式和以前的精确和启发式方法进行了比较。计算结果表明，分解方法在标准基准上大大优于以前的启发式方法。分解方法适用于轮换劳动力调度问题的问题结构，但可以扩展到不同的问题结构。在计算研究中，分解方法与数学公式和以前的精确和启发式方法进行了比较。计算结果表明，分解方法在标准基准上大大优于以前的启发式方法。分解方法适用于轮换劳动力调度问题的问题结构，但可以扩展到不同的问题结构。在计算研究中，分解方法与数学公式和以前的精确和启发式方法进行了比较。计算结果表明，分解方法在标准基准上大大优于以前的启发式方法。