01傳統 Rule-based 排班與基因演算法的優劣對比
許多企業初期嘗試用 Excel 巨集或簡單的 If-Else 條件語句進行自動排班，但很快就會遇到瓶頸。複雜的排班問題包含兩大類約束：
- 硬性約束 (Hard Constraints) 必須 100% 滿足：例如「每人每週加班不得超過勞基法上限」、「大夜班後必須休假滿 24 小時」、「特定設備保養期間不可排單」。
- 軟性約束 (Soft Constraints) 儘量優化：例如「公平分配週末班」、「儘量符合員工預約休假」、「最小化機台換模時間與空轉成本」。
當硬性與軟性條件交織在一起時，If-Else 規則極易陷入死鎖。基因演算法 (GA) 透過模擬自然界生物演化的機制，能夠在數百萬種可能性中快速搜尋出兼顧法規與效益的全局最佳解。
02基因演算法的四大核心架構設計
在鳳凰程式工坊的實作方案中，GA 最佳化引擎包含以下四大關鍵組件：
- 染色體編碼 (Chromosome Encoding)：採用二維矩陣編碼，$G[i][j]$ 代表第 $i$ 位員工在第 $j$ 天的班別 (休、早、中、夜)。
- 適應度函數設計 (Fitness Function)：評估班表優劣的靈魂。滿足所有硬性條件給予基礎高分（如 10000 分），違背軟性條件則依嚴重程度進行扣分。
- 選擇與交叉 (Selection & Crossover)：使用輪盤賭選擇 (Roulette Wheel Selection) 保留優秀個體，並採用兩點交叉 (Two-point Crossover) 重組班表特徵。
- 突變機制 (Mutation)：以 2%-5% 的機率隨機調換特定員工的班別，打破區域最佳解 (Local Optima) 的束縛。
03排班演算法性能對比表格
| 排程方式 | 計算耗時 | 硬性約束違規率 | 公平度與滿意度 | 維護與擴充彈性 |
|---|---|---|---|---|
| 人工經驗排表 | 2 ~ 3 天 | 偶爾漏看違規 | 低（人工偏好明顯） | 極低（換人排就大亂） |
| Excel 巨集 (If-Else) | 5 ~ 10 分鐘 | 複雜條件下易死鎖 | 中等 | 低（改規則需重寫巨集） |
| 鳳凰 GA 最佳化引擎 | < 30 秒 | 0% (100% 合規) | 極高 (數據量化公平) | 高 (參數化設定) |
04避免無效演化的關鍵：修復機制 (Repair Mechanism)
在實際編寫 Python GA 腳本時，最容易碰到的挑戰是「演算法經過交叉與突變後，產生的新班表經常嚴重違反硬性約束」。
為了解決這個問題，我們採取了 **修復機制 (Repair Mechanism)** 搭配 **動態懲罰函數 (Dynamic Penalty Function)**。當演算法隨機產生不合規的班表時，修復邏輯會優先修正明顯違規的時段，進一步加速演算法收斂到合法且最佳的班表區域。
05成果效益與 Excel / Google Calendar 自動整合
封裝完成的 GA 排程引擎提供友善的 Web 操作介面。排班主管只需勾選員工預休日期與人力需求，點擊執行後即可於 30 秒內產出最適班表，並一鍵匯出為 Excel 報表或同步至員工的 Google 日曆中。
FAQ常見問題解答
基因演算法排出來的班表真的比人工排的好嗎？
GA 能在數萬次演化中全面評估「公平性、加班費最小化、符合休假意願」等多個維度，在指標量化上通常顯著優於人工憑經驗手繪的班表。
如果臨時有人請假，排程需要全部重跑嗎？
不用！我們的 GA 引擎支援「增量排程 (Incremental Scheduling)」，可鎖定已確定的班表，僅針對受影響的時段進行二次區域優化演化。
除了排班，GA 還能應用在哪些領域？
基因演算法廣泛應用於工廠機台派工、物流車隊路徑規劃 (VRP)、投資組合權重最佳化以及學術界多目標優化研究。
排班人數多達 200 人以上，GA 計算速度會大幅變慢嗎？
我們會採用「部門/組別分治 (Divide and Conquer)」策略，配合 Python 多程序 (Multiprocessing) 平行計算，確保 200 人以上的班表依然能在 1 分鐘內演化完成。
如果勞基法或公司內部規定修改，演算法調整方便嗎？
所有硬性與軟性規則均封裝為獨立的微型模組 (Rule Plug-ins)，未來若規定修改只需調整參數值或啟用/停用特定模組即可。