本项目是一个专为临床科室排班场景设计的决策支持工具，核心解决护士长每月在多重现实约束下难以兼顾公平性、合规性与人员满意度的排班难题。我们采用 Gale-Shapley 稳定匹配算法作为底层逻辑保障，确保任意方案中不存在“双方更愿互换却无法实现”的阻塞对；在此基础上融合 ε-约束法与权重采样策略，系统性生成一组非支配（Pareto）可行解，即每个方案都在至少一个维度上优于其他所有方案，且无法被整体替代。它不是生成唯一“最优解”，而是交付一组值得权衡的优质选项。支持 CSV/Excel 数据导入、CLI 命令行快速生成、HTTP API 集成调用，输出含冲突说明、多维评分和周会就绪 Markdown 汇报材料。技术栈选用 Golang（高并发与执行效率）、SQLite（零配置嵌入式存储）与 Cobra（稳健命令行框架），不依赖外部服务或云环境，本地即可运行。
定位与能力范围
我们不做通用调度平台，也不覆盖手术排程、医生门诊或跨院人力统筹。本项目的边界非常明确：服务于单科室护士长主导的月度护理排班工作流。它承接的是已结构化的日常管理输入，包括人员基础信息、当月请假记录、固定班次定义、以及护士对班次类型的偏好打分。所有硬约束（如某人某日不可排班、早夜班间隔不得少于12小时、某类角色每日最低在岗人数）和软约束（如偏好满足率、连续值班天数均衡度、各班次总劳动强度分布）均在模型中显式建模。最终交付不是一张静态排班表，而是一组经算法验证的、彼此不可替代的可行方案集合，并附带可解释的评估维度（如冲突数、偏好达成率、强度标准差等），让护士长能在科务会上基于数据展开讨论，而非凭经验拍板。
这个范围决定了我们拒绝三类常见诱惑：不接入HR系统做自动同步（数据由护士长按需整理上传）；不提供拖拽式Web界面（避免复杂前端掩盖算法逻辑）；不承诺“一键生成完美排班”（排班本质是价值权衡，我们呈现权衡空间，而非替代判断）。
核心功能与交付形态
本工具以“生成—比较—确认—汇报”为主线，完整覆盖排班决策闭环：
- 数据加载与校验
：支持从标准 CSV 或 Excel 文件读取四类基础数据（人员表 staff.csv、请假表 leave.csv、班次定义 shifts.csv、偏好矩阵 preferences.csv），自动识别字段缺失、日期格式错误、ID引用断裂等问题，并给出定位提示；
- 稳定匹配引擎
：以护士为一方、班次时段为另一方，运行 Gale-Shapley 算法，确保结果无阻塞对，这是排班公平性的数学底线，意味着不会出现“张三和李四都更愿意互换早班与夜班，但当前安排不允许”的隐性矛盾；
- Pareto前沿生成
：通过 ε-约束法遍历不同权重组合，在偏好满足度、强度均衡性、请假合规率等多个目标间寻找非支配解，通常一次运行可输出 5～15 个差异显著的可行方案；
- 方案对比分析
：支持任意两方案并列对比，高亮差异项（如某人A方案排3个夜班、B方案排0个；某日早班由张三变为李四），并量化各项指标变化百分比；
- 冲突说明自动生成
：对任一方案，逐条列出未满足的软约束及其影响程度（例如：“S002 对夜班偏好得分为1，但被安排2个夜班，此项偏好满足度下降40%”），便于人工复核与微调依据；
- 周会材料导出
：一键生成结构清晰的 Markdown 文档，含封面、方案摘要表、关键指标雷达图示意（非真实图表，以文字描述+分级数字示意，如“强度均衡度：★☆☆☆☆（标准差 4.2）”）、冲突汇总与调整建议，可直接粘贴至会议纪要或内部Wiki。
功能模块 | 输入方式 | 输出形态 | 典型使用场景 |
|---|---|---|---|
方案生成 | --input ./data/sample/ --days 31 | 多个 scheme_xxx 目录，含排班表 CSV + 评估 JSON | 每月初首次运行，获取初始方案池 |
方案列表 | ./shift-pareto list | 终端表格：ID、生成时间、偏好满足率、强度标准差、冲突数 | 快速浏览全部方案质量分布 |
方案对比 | ./shift-pareto compare --a scheme_001 --b scheme_002 | 终端差异高亮 + 指标变化百分比 | 科务会前锁定2～3个候选方案深入讨论 |
Markdown导出 | ./shift-pareto export --format markdown --scheme scheme_001 | .md文件，含标题、摘要、冲突说明、调整备注栏 | 准备科务会汇报材料，无需二次编辑 |
手动微调 | HTTP POST | 返回新方案 ID 与变更摘要 | 护士长根据临时情况（如突发替班）做最小干预 |
使用与配置流程
整个流程无需安装数据库或配置服务器，开箱即用：
go install准备数据目录（如./data/sample/），确保包含四个必需 CSV 文件（字段名与示例见项目文档）。然后执行：
./shift-pareto generate --input ./data/sample/ --output ./output/ --days 31该命令将读取数据、运行匹配与 Pareto 搜索、生成多个方案目录至./output/。随后可立即查看结果：
./shift-pareto list若需对外提供服务，启动内置 HTTP API：
./shift-pareto serve --port 8080此时可通过浏览器或 curl 访问/schemes查看方案列表，或调用/schemes/:id/adjust提交微调请求（如{ "changes": [{"staff_id": "S001", "date": "2024-03-15", "shift_id": "N"}] }）。所有操作均基于本地 SQLite 数据库存储状态，无网络外连，数据不出科室设备。
数据规范与扩展性
我们坚持“数据即契约”原则：输入格式严格定义，降低使用门槛，也保障算法可复现。四类文件均为扁平 CSV，无嵌套、无公式、无隐藏列：
文件名 | 关键字段 | 必填说明 | 示例值 |
|---|---|---|---|
staff.csv | id, | id为全局唯一标识，后续所有文件均引用此 ID | S001,张三,内科,护士 |
leave.csv | staff_id, | 日期格式为 | S001,2024-03-05,2024-03-07,年假 |
shifts.csv | id, | type用于归类（如 | N,夜班,20:00,08:00,night |
preferences.csv | staff_id, | score为整数，范围建议 1–5，越高表示越倾向 | S001,N,2 |
新增人员或班次只需追加 CSV 行；调整偏好可重传preferences.csv；请假记录按月更新即可。无需修改代码或数据库 Schema。
工程结构与技术选型依据
我们把代码组织为清晰的职责分层：
shift-pareto/ ├── src/ │ ├── data/ # 统一数据加载器、CSV 解析、SQLite 映射、校验规则 │ ├── engine/ # 核心算法：Gale-Shapley 实现、约束检查器、Pareto 前沿生成器 │ ├── cli/ # Cobra 命令注册、参数绑定、输出格式化（表格/JSON/Markdown） │ └── api/ # Gin 路由、HTTP 请求解析、响应封装、微调事务处理 ├── data/sample/ # 开箱即用的完整示例数据集（含 8 名护士、4 类班次、2 周请假等） └── README.md选 Golang 是因其实测性能：31天排班、15人规模、5类班次的典型场景下，Pareto 前沿生成耗时稳定在 8–12 秒（MacBook Pro M2），远快于 Python 同类实现；其静态编译能力使终端用户无需安装 Go 环境，单二进制文件即可运行。SQLite 不仅免运维，更天然支持 ACID 事务，当护士长提交微调请求时，我们确保“原方案不变、新方案原子写入、失败则回滚”，避免中间态污染。Cobra 则提供了工业级 CLI 体验：子命令自动补全、内建帮助、错误提示精准到字段（如 “error: missing required field 'end_date' in leave.csv line 3”）。
限制与说明
本项目不解决以下问题，亦不计划扩展：
不支持实时协同编辑（无 WebSocket 或锁机制），多人同时调用 API 可能导致状态覆盖，建议由专人统一操作；
不内置机器学习预测（如基于历史缺勤率预测未来请假），所有偏好与约束均由人工设定；
不对接医院 HIS/LIS 系统，所有数据需导出后手动整理；
Pareto 方案数量受
--days与数据规模影响，极端情况下（如请假密集、偏好高度冲突）可能仅生成 1–2 个可行解，此时系统会明确提示“可行域狭窄”，而非强行返回低质量方案。
我们始终认为：排班系统的价值不在“全自动”，而在“可解释、可干预、可追溯”。每一个方案都有清晰的约束满足路径，每一次微调都留下操作日志，每一份周会材料都指向具体人、具体日、具体班次。这不是替代护士长的经验，而是把经验判断建立在更坚实、更透明、更可复盘的基础之上。
项目地址：
https://github.com/nexorin9/shift-pareto
