Empirical resultsThe algorithm was

Empirical results
The algorithm was tested on randomly generated data sets as well as on real life data sets. The randomly generated data sets were used to benchmark the proposed method and to find good tuning parameters. A data set consisting of 100 jobs and 20 nurses was used to compute the parameters of our algorithm. The second data set consists of 20 instances with 20 jobs, 20 clients, and 4 nurses. The locations were spread randomly in a given area. The driving times are represented by a Euclidean distance matrix. Services have a qualification level between 1 and 3 and last for 30 minutes. The highest level is 3, for example an insulin shot. The lowest level is 1, which could be an aid in the household. Qualification levels, exclusions, language skills, and preferences are uniformly distributed. Time windows are chosen randomly over the whole day, with a width of 120 minutes for services with a qualification level of 3 and 240 minutes for the other two levels. The starting points of the nurses are also chosen randomly. is uniformly distributed between 180 and 480 minutes. equals 600 minutes, 360 minutes, and the break time equals 30 minutes for all nurses. The soft time windows of the clients are set identically to the hard time windows, and the soft time windows of the nurses equal 720 minutes. The break time windows are set to [240,360]. All nurses start their tours at the depot.
We solved the randomly generated data set with with solver software Xpress 7.0 and the metaheuristic which was implemented in C++. The metaheuristic finds all global optimal solutions within iterations. For 1 instance it was even found after iterations and for 13 instances after iterations. So, we conclude that the metaheuristic is capable of finding good results within short computation time. Bigger problem instances could not be solved with Xpress in reasonable computing time.
Real life tests
The Austrian Red Cross provided data of three regions in Upper Austria; one of them is urban and two of them are rural ( ). The first one is the smallest, containing 140 jobs, 140 clients, and 13 nurses. includes 351 jobs, 291 clients, and 39 nurses, whereas consists of 512 jobs, 420 clients, and 75 nurses.
ArcGIS was used to derive the driving times. Preferences and exclusions are non-existent and all nurses and clients are able to speak the same language (German). Information on the service times, time windows, and starting points is missing; hence they are estimated as follows. Service times are normally distributed, with a mean dependent on the qualification level of the job and a standard deviation of 15 minutes. It is reported that a job with a qualification level of 3 typically lasts 28.81 minutes, whereas a job with a qualification level of 1 needs 46.69 minutes on average. , , and are set as for the randomly generated data set. The soft time windows of the clients and the preferred working times of the nurses are chosen randomly. Considering the starting points, four different scenarios are computed: All nurses are part of , , or a combination of them. For the latter the starting points were uniformly distributed.
The number of clients and jobs are given for a whole week. On average, clients need to be visited three times a week. The frequency of the jobs is normally distributed, with a mean of 3 and a standard deviation of 2. The jobs are then uniformly distributed among the five working days. Only in case of a frequency of 6 or 7 the weekends are considered.
Table 1, exemplary presents some results for the day with the most visits during the week for two parameter settings and . In the first ( ), the objective equals the total traveling times with . In the second ( ), , , , , , , and . These values are the results of a survey, in which decision makers from the Austrian Red Cross were asked to tell their preferences. Overall, it can be observed that the best solution values are obtained when all nurses start their shifts at home without payment. This is not surprising, since the nurses do not get paid for the driving times spent to the first client and back from the last. It also shows that parameter setting is better in that special case. In the other cases it depends on the region and the choice of the starting points which parameter setup leads to a better solution value. For region all solution values obtained with are better than those obtained with For region and this does not hold. Sometimes the solution values for are better, sometimes not. Typically, even if the solution value is better, this does not mean that each single aim is better fulfilled. Exemplary, Table 2 reports the detailed solution values for region . The traveling times are smaller for , but all other aims are better fulfilled for .Table 3 shows the results for an ''extreme'' day that means all clients in a district have to be visited on a single day. The results show that it is no problem in region to maintain services. For region and it is only possible to service all clients if the nurses start their shifts at home and do not get paid for their first and last trip. This means that under the assumption that all clients have to be visited on a single day within a time window of 120 to 240 minutes it is not possible to do so. However, such a scenario is quite unlikely. Nevertheless, it shows that under such circumstances more nurses are needed or the time windows have to be extended to uphold the services.

Results (Thai) 1:

ประจักษ์ผลอัลกอริทึมได้รับการทดสอบ ในชุดข้อมูลที่สร้างขึ้นแบบสุ่มรวม ทั้ง ในชีวิตจริงค่า ใช้ชุดข้อมูลสร้างขึ้นแบบสุ่ม เพื่อเปรียบวิธีการนำเสนอ และค้นหาพารามิเตอร์การปรับแต่งที่ดี ชุดข้อมูลประกอบด้วยงาน 100 และพยาบาล 20 ถูกใช้เพื่อคำนวณพารามิเตอร์ของอัลกอริทึมของเรา ข้อมูลชุดที่สองประกอบด้วยอินสแตนซ์ 20 20 งาน ลูกค้า 20 และพยาบาล 4 สถานถูกแพร่กระจายได้ในพื้นที่ที่กำหนด เวลาขับจะแทน ด้วยเมทริกซ์แบบยุคลิด บริการมีคุณสมบัติระดับระหว่าง 1 และ 3 และล่าสุด 30 นาที ระดับสูงสุดคือ 3 เช่นอันยิงอินซูลิน ระดับต่ำสุดคือ 1 ซึ่งสามารถช่วยในครัวเรือน ระดับคุณสมบัติ exclusions ภาษา และการตั้งค่าจะกระจายสม่ำเสมอเมื่อเทียบเคียง หน้าต่างเวลาจะเลือกสุ่มไปทั้งวัน กว้าง 120 นาทีสำหรับบริการด้วยระดับคุณสมบัติของ 3 และ 240 นาทีที่ระดับสอง จุดเริ่มต้นของพยาบาลจะเลือกแบบสุ่ม สม่ำเสมอเมื่อเทียบเคียงกระจายระหว่าง 180 ถึง 480 นาที เท่ากับ 600 นาที 360 นาที และเวลาหยุดพักเท่ากับ 30 นาทีสำหรับพยาบาลทั้งหมด หน้าต่างนุ่มเวลาไคลเอนต์จะตั้งตรงหน้าต่างที และ windows เวลาอ่อนของการพยาบาลเท่ากับ 720 นาที การแบ่งเวลา windows ถูกตั้งค่าให้ [240,360] พยาบาลทั้งหมดเริ่มต้นของทัวร์ที่ depotเราแก้ไขสร้างขึ้นแบบสุ่มชุดข้อมูลกับโปรแกรมแก้ปัญหาซอฟแวร์ 7.0 ซูและที่ metaheuristic ซึ่งถูกนำมาใช้ใน c ++ ที่ metaheuristic พบทั้งหมดทั่วโลกสูงสุดโซลูชั่นภายในซ้ำ สำหรับอินสแตนซ์ที่ 1 แม้พบ หลังเกิดซ้ำ และอินสแตนซ์ที่ 13 หลังจากการวนซ้ำ ดังนั้น เราสรุปการ metaheuristic ว่าสามารถค้นหาผลลัพธ์ที่ดีในการคำนวณระยะเวลา กรณีปัญหาใหญ่อาจไม่สามารถแก้ไข ด้วยซูในเวลาใช้งานที่เหมาะสมทดสอบชีวิตจริงกาชาดออสเตรียให้ข้อมูลของสามภูมิภาคในรัฐอัปเปอร์ออสเตรีย หนึ่งในนั้นคือเมือง และสองของพวกเขาเป็น(ชนบท) อันแรกเป็นน้อยที่สุด มีงาน 140, 140 ลูกค้า และพยาบาล 13 มีงาน 351 ลูกค้า 291 พยาบาล 39 ในขณะที่ประกอบ ด้วยงาน 512 ลูกค้า 420 พยาบาล 75ArcGIS ที่ใช้เวลาขับรถมา กำหนดลักษณะและการแยกจะไม่มีอยู่ และพยาบาลและไคลเอนต์ทั้งหมดจะได้พูดภาษาเดียวกัน (ภาษาเยอรมัน) รายละเอียดเกี่ยวกับบริการครั้ง เวลา windows และจุดเริ่มต้นของหาย ดังนั้น พวกเขามีประเมินดังนั้น เวลาบริการปกติกระจาย ด้วยหมายความว่าขึ้นอยู่กับระดับคุณสมบัติของงานและค่าส่วนเบี่ยงเบนมาตรฐาน 15 นาที แต่ก็มีรายงานว่า งานกับคุณสมบัติระดับ 3 โดยทั่วไปเวลานาที 28.81 ในขณะที่งาน ด้วยคุณสมบัติระดับ 1 ต้อง 46.69 นาทีโดยเฉลี่ย และตั้งค่าสำหรับชุดข้อมูลสร้างขึ้นแบบสุ่ม หน้าต่างเวลาอ่อนของลูกค้าและการทำงานที่ต้องการพยาบาลที่เลือกโดยการสุ่ม พิจารณาจุดเริ่มต้น คำนวณสถานการณ์ที่แตกต่างกันสี่: พยาบาลทั้งหมดหนึ่งหรือชุดของพวกเขา สำหรับหลัง จุดเริ่มต้นสม่ำเสมอเมื่อเทียบเคียงกระจายจำนวนลูกค้าและงานจะได้รับในสัปดาห์ทั้งหมด โดยเฉลี่ย ลูกค้าต้องการจะชมสามครั้งต่อสัปดาห์ ความถี่ของงานปกติกระจาย mean ของ 3 และค่าส่วนเบี่ยงเบนมาตรฐาน 2 สม่ำเสมอเมื่อเทียบเคียงแล้วมีกระจายงานระหว่างวันทำงาน 5 วันหยุดสุดสัปดาห์จะถือว่าในกรณีความถี่ 6 หรือ 7 เท่านั้นTable 1, exemplary presents some results for the day with the most visits during the week for two parameter settings and . In the first ( ), the objective equals the total traveling times with . In the second ( ), , , , , , , and . These values are the results of a survey, in which decision makers from the Austrian Red Cross were asked to tell their preferences. Overall, it can be observed that the best solution values are obtained when all nurses start their shifts at home without payment. This is not surprising, since the nurses do not get paid for the driving times spent to the first client and back from the last. It also shows that parameter setting is better in that special case. In the other cases it depends on the region and the choice of the starting points which parameter setup leads to a better solution value. For region all solution values obtained with are better than those obtained with For region and this does not hold. Sometimes the solution values for are better, sometimes not. Typically, even if the solution value is better, this does not mean that each single aim is better fulfilled. Exemplary, Table 2 reports the detailed solution values for region . The traveling times are smaller for , but all other aims are better fulfilled for .Table 3 shows the results for an ''extreme'' day that means all clients in a district have to be visited on a single day. The results show that it is no problem in region to maintain services. For region and it is only possible to service all clients if the nurses start their shifts at home and do not get paid for their first and last trip. This means that under the assumption that all clients have to be visited on a single day within a time window of 120 to 240 minutes it is not possible to do so. However, such a scenario is quite unlikely. Nevertheless, it shows that under such circumstances more nurses are needed or the time windows have to be extended to uphold the services.

Results (Thai) 2:

ผลการศึกษา
ขั้นตอนวิธีการทดสอบกับข้อมูลที่สร้างแบบสุ่มชุดเช่นเดียวกับชุดข้อมูลชีวิตจริง ข้อมูลที่สร้างแบบสุ่มได้รับชุดที่ใช้ในการมาตรฐานวิธีการที่เสนอและการหาพารามิเตอร์การปรับแต่งที่ดี ข้อมูลชุดประกอบด้วย 100 งานและพยาบาล 20 ถูกใช้ในการคำนวณค่าพารามิเตอร์ของอัลกอริทึมของเรา ข้อมูลชุดที่สองประกอบด้วย 20 กรณีที่มี 20 งาน 20 ลูกค้า, 4 และพยาบาล สถานที่ได้รับการแพร่กระจายแบบสุ่มในพื้นที่ที่กำหนด เวลาขับรถจะแสดงโดยแมทริกซ์ระยะทางยุคลิด บริการมีระดับวุฒิการศึกษาระหว่างวันที่ 1 และ 3 และครั้งสุดท้ายเป็นเวลา 30 นาที ระดับสูงสุดเป็น 3 เช่นยิงอินซูลิน ระดับต่ำสุดคือ 1 ซึ่งอาจจะช่วยในการใช้ในครัวเรือน ระดับวุฒิการศึกษา, การยกเว้นทักษะการใช้ภาษาและการตั้งค่าจะกระจายสม่ำเสมอ windows ใช้เวลาได้ถูกสุ่มเลือกมากกว่าทั้งวันมีความกว้าง 120 นาทีสำหรับการให้บริการที่มีระดับวุฒิการศึกษาที่ 3 และ 240 นาทีสำหรับอีกสองระดับ จุดเริ่มต้นของพยาบาลได้รับการแต่งตั้งยังสุ่ม มีการกระจายอย่างสม่ำเสมอระหว่าง 180 และ 480 นาที เท่ากับ 600 นาที 360 นาทีและเวลาพักเท่ากับ 30 นาทีสำหรับพยาบาลทั้งหมด หน้าต่างเวลานุ่มของลูกค้าจะถูกตั้งค่าเหมือนกันกับหน้าต่างเวลาที่ยากลำบากและหน้าต่างเวลานุ่มของพยาบาล 720 นาทีเท่ากับ หน้าต่างเวลาพักเป็น [240,360] พยาบาลทั้งหมดเริ่มต้นการทัวร์ของพวกเขาที่สถานีรถไฟ.
เราแก้ข้อมูลที่สร้างแบบสุ่มชุดกับซอฟต์แวร์แก้ Xpress 7.0 และ metaheuristic ซึ่งถูกนำมาใช้ใน C ++ metaheuristic พบว่าการแก้ปัญหาที่ดีที่สุดของโลกทั้งหมดภายในซ้ำ สำหรับวันที่ 1 ตัวอย่างพบแม้หลังจากการทำซ้ำและ 13 กรณีหลังจากการทำซ้ำ ดังนั้นเราจึงสรุปได้ว่า metaheuristic ที่มีความสามารถในการหาผลลัพธ์ที่ดีภายในระยะเวลาที่คำนวณสั้น กรณีปัญหาใหญ่ที่ไม่สามารถแก้ไขได้ด้วย Xpress ในงานคอมพิวเตอร์ที่เหมาะสม.
ชีวิตจริงการทดสอบ
ออสเตรียกาชาดให้ข้อมูลในสามของภูมิภาคในรัฐอัปเปอร์ออสเตรีย; หนึ่งในนั้นคือเมืองและสองของพวกเขาในชนบท () คนแรกคือมีขนาดเล็กที่สุดที่มี 140 งาน 140 ลูกค้า 13 และพยาบาล รวมถึง 351 งาน 291 ลูกค้าและ 39 หอผู้ป่วยในขณะที่ประกอบด้วย 512 งาน 420 ลูกค้าและ 75 พยาบาล.
ArcGIS ถูกนำมาใช้เพื่อให้ได้เวลาขับรถ การตั้งค่าและการยกเว้นจะไม่มีอยู่จริงและพยาบาลและลูกค้าสามารถที่จะพูดภาษาเดียวกัน (เยอรมัน) ข้อมูลเกี่ยวกับบริการครั้งหน้าต่างเวลาและจุดเริ่มต้นที่เป็นหายไป; ด้วยเหตุนี้พวกเขาจะประมาณดังนี้ ครั้งที่มีการกระจายบริการตามปกติโดยมีค่าเฉลี่ยขึ้นอยู่กับระดับการเรียนของงานและค่าเบี่ยงเบนมาตรฐานของ 15 นาที มีรายงานว่าเป็นงานที่มีระดับวุฒิการศึกษาที่ 3 มักจะใช้เวลา 28.81 นาทีในขณะที่งานที่มีระดับวุฒิการศึกษาที่ 1 ต้องการ 46.69 นาทีโดยเฉลี่ย , และมีการตั้งค่าสำหรับชุดข้อมูลที่สร้างแบบสุ่ม หน้าต่างเวลานุ่มของลูกค้าและเวลาการทำงานที่ต้องการของหอผู้ป่วยได้รับการสุ่มเลือก พิจารณาจุดเริ่มต้นที่สี่สถานการณ์ที่แตกต่างกันจะคำนวณ: พยาบาลทั้งหมดเป็นส่วนหนึ่งของ, หรือการรวมกันของพวกเขา สำหรับหลังจุดเริ่มต้นที่มีการกระจายอย่างสม่ำเสมอ.
จำนวนลูกค้าและงานที่จะได้รับสำหรับทั้งสัปดาห์ โดยเฉลี่ยแล้วลูกค้าจะต้องมีการเข้าเยี่ยมชมสามครั้งต่อสัปดาห์ ความถี่ของงานที่มีการกระจายตามปกติมีค่าเฉลี่ย 3 และค่าเบี่ยงเบนมาตรฐาน 2. งานจะถูกกระจายในห้าวันทำการ เฉพาะในกรณีที่มีความถี่ของ 6 หรือ 7 วันหยุดสุดสัปดาห์จะมีการพิจารณา.
ตารางที่ 1 เป็นแบบอย่างนำเสนอผลบางอย่างสำหรับวันที่มีการเข้าชมมากที่สุดในช่วงสัปดาห์ที่สองการตั้งค่าพารามิเตอร์และ ในครั้งแรก () วัตถุประสงค์เท่ากับทั้งหมดเดินทางครั้งด้วย ในที่สอง (),,,,, และ ค่าเหล่านี้ผลการสำรวจซึ่งผู้มีอำนาจตัดสินใจจากออสเตรียกาชาดถูกถามจะบอกค่าของพวกเขา โดยรวมก็สามารถสังเกตได้ว่าค่าที่ดีที่สุดจะได้รับการแก้ปัญหาเมื่อพยาบาลทุกคนเริ่มต้นการเปลี่ยนแปลงของพวกเขาที่บ้านโดยไม่ต้องชำระเงิน นี้ไม่น่าแปลกใจเนื่องจากพยาบาลไม่ได้รับการชำระเงินสำหรับการขับรถครั้งใช้เวลากับลูกค้ารายแรกและกลับมาจากที่ผ่านมา นอกจากนี้ยังแสดงให้เห็นว่าการตั้งค่าพารามิเตอร์จะดีกว่าในกรณีพิเศษที่ ในกรณีอื่น ๆ ก็ขึ้นอยู่กับภูมิภาคและทางเลือกของจุดเริ่มต้นที่การตั้งค่าพารามิเตอร์นำไปสู่ทางออกที่ดีกว่าค่า สำหรับทุกภูมิภาคค่าการแก้ปัญหาได้ด้วยจะดีกว่าผู้ที่ได้รับด้วยสำหรับภูมิภาคนี้และไม่ได้ถือ บางครั้งค่าโซลูชั่นสำหรับการที่ดีบางครั้งไม่ โดยปกติแม้ว่ามูลค่าการแก้ปัญหาจะดีกว่านี้ไม่ได้หมายความว่าแต่ละจุดมุ่งหมายเดียวเป็นจริงดีกว่า เป็นแบบอย่างตารางที่ 2 รายงานค่าการแก้ปัญหารายละเอียดสำหรับภูมิภาค เวลาเดินทางขนาดเล็กสำหรับ แต่จุดมุ่งหมายอื่น ๆ ทั้งหมดเป็นจริงดีกว่าสำหรับตารางที่ 3 แสดงผลสำหรับ '' มาก '' วันนั่นหมายความว่าลูกค้าทั้งหมดในอำเภอจะต้องมีการเข้าเยี่ยมชมในวันเดียว ผลการศึกษาพบว่ามันเป็นปัญหาที่เกิดขึ้นในภูมิภาคในการรักษาบริการไม่มี สำหรับภูมิภาคและมันจะเป็นไปได้ที่จะให้บริการลูกค้าทุกคนถ้าพยาบาลเริ่มต้นการเปลี่ยนแปลงของพวกเขาที่บ้านและไม่ได้รับเงินสำหรับการเดินทางครั้งแรกและครั้งสุดท้ายของพวกเขา ซึ่งหมายความว่าภายใต้สมมติฐานว่าลูกค้าทุกคนจะต้องมีการเข้าเยี่ยมชมในวันเดียวภายในหน้าต่างเวลาของ 120-240 นาทีมันเป็นไปไม่ได้ที่จะทำเช่นนั้น อย่างไรก็ตามสถานการณ์ดังกล่าวไม่น่าเป็นไปได้ค่อนข้าง แต่ก็แสดงให้เห็นว่าภายใต้สถานการณ์ดังกล่าวพยาบาลมากขึ้นมีความจำเป็นหรือหน้าต่างเวลาที่จะต้องมีการขยายไปยังยึดมั่นในการให้บริการ

Results (Thai) 3:

ผล
ขั้นตอนวิธีการได้รับการทดสอบที่สร้างขึ้นแบบสุ่มชุดข้อมูลชุดข้อมูลเช่นเดียวกับในชีวิตจริง สร้างแบบสุ่มชุดข้อมูลเพื่อใช้อ้างอิง วิธีการและหาที่ดีการปรับพารามิเตอร์ ชุดข้อมูลที่ประกอบด้วยงาน 100 และ 20 พยาบาลใช้คำนวณพารามิเตอร์ของขั้นตอนวิธีการของเรา สองชุดข้อมูลประกอบด้วยกรณีงาน 20 20 20 ลูกค้าพยาบาล 4 . สถานที่ที่ถูกกระจายแบบสุ่มในพื้นที่ที่กําหนด . ขับรถเวลาจะแทนด้วยระยะทางแบบยุคลิดเมทริกซ์ การบริการต่างๆมีวุฒิการศึกษาในระดับระหว่าง 1 และ 3 และสุดท้ายเป็นเวลา 30 นาที ระดับ 3 เช่นอินซูลินยิง ระดับต่ำสุดคือ 1 , ซึ่งสามารถช่วยในครัว คุณสมบัติระดับการยกเว้น ทักษะภาษาการตั้งค่าและมีการกระจายอย่างสม่ำเสมอ . เวลาที่ Windows จะสุ่มเลือกมาทั้งวัน กับความกว้างของ 120 นาที สำหรับบริการ ด้วยคุณสมบัติระดับ 3 และ 240 นาที สำหรับอีกสองระดับ จุดเริ่มต้นของพยาบาลก็ยังเลือกแบบสุ่ม มีจุดกระจายระหว่าง 180 และ 480 นาที เท่ากับ 600 นาที 360 นาทีและเวลาพักเท่ากับ 30 นาทีสำหรับพยาบาล อ่อนของ Windows เวลาของลูกค้าเป็นชุดเหมือนกันกับหน้าต่างในเวลาที่ยากลำบาก และนุ่ม เวลา Windows ของพยาบาลเท่ากับ 720 นาที เวลาหยุดพักหน้าต่างตั้งค่าไปที่ [ 240360 ] พยาบาลทั้งหมดเริ่มทัวร์ที่สถานีรถไฟ
เราแก้ไขสุ่มสร้างข้อมูลชุดซอฟต์แวร์แก้ Xpress 70 และเมตาฮิวริ ิกที่ใช้ในค . พวกเมต้า วริสติคพบว่าโซลูชั่นที่เหมาะสมที่สุดทั่วโลกในการทำซ้ำ . 1 ตัวอย่างก็ยังพบหลังจากการทำซ้ำและ 13 กรณีหลังจากการทำซ้ำ . ดังนั้น สรุปได้ว่า เมต้า วริสติคมีความสามารถในการหาผลลัพธ์ที่ดีภายในเวลาการคำนวณสั้นกรณีปัญหาที่ใหญ่กว่าอาจจะแก้ไขไม่ได้กับ Xpress ในเวลาคอมพิวเตอร์ที่เหมาะสม ชีวิตจริง

สอบสภากาชาดออสเตรียให้ข้อมูลสามภูมิภาคใน Upper Austria ; หนึ่งของพวกเขาคือเมืองและสองของพวกเขาในชนบท ( ) อันแรกที่เล็กที่สุด ประกอบด้วยงาน 140 140 , ลูกค้า , และ 13 พยาบาล รวมถึงไปงาน ที่ลูกค้าและ 39 พยาบาลในขณะที่ประกอบด้วย 512 งานและลูกค้าและ 75 พยาบาล .
ArcGIS . เคยขับรถมาหลายครั้ง การตั้งค่าและการยกเว้นจะไม่มีตัวตนและพยาบาลทั้งหมดและลูกค้าสามารถพูดภาษาเดียวกัน ( เยอรมัน ) ข้อมูลเกี่ยวกับบริการครั้ง ต่างเวลา และจุดเริ่มต้นหายไป ; ด้วยเหตุนี้พวกเขามีประมาณดังนี้ เวลาให้บริการเป็นปกติกระจายด้วยหมายถึงขึ้นอยู่กับคุณสมบัติระดับของงานและส่วนเบี่ยงเบนมาตรฐานของ 15 นาที มีรายงานว่า งานที่มีคุณสมบัติระดับ 3 โดยทั่วไปจะกินเวลา 28.81 นาที ในขณะที่งานที่มีคุณสมบัติระดับ 1 ต้องการ 46.69 นาทีโดยเฉลี่ย , และมีการตั้งค่าสำหรับสุ่มสร้างชุดข้อมูลนุ่มเวลาหน้าต่างของลูกค้าและทำงานเวลาที่ต้องการของพยาบาลจะถูกเลือกแบบสุ่ม เมื่อพิจารณาจากจุดเริ่มต้น 4 สถานการณ์ที่แตกต่างจะคำนวณ : พยาบาลทั้งหมดเป็นส่วนหนึ่งของ , หรือการรวมกันของพวกเขา สำหรับหลังจุดเริ่มต้นมีการกระจายอย่างสม่ำเสมอ .
จำนวนลูกค้าและงานจะได้รับตลอดทั้งสัปดาห์ เฉลี่ยลูกค้าต้องการเข้าชม 3 ครั้งต่อสัปดาห์ ความถี่ของงานเป็นแบบปกติด้วยค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของ 3 2 งานแล้วโดยการกระจายในหมู่ 5 วันทําการ แต่ในกรณีของความถี่ 6 หรือ 7 วันหยุดสุดสัปดาห์ถือว่า .
โต๊ะ 1เป็นแบบอย่างที่แสดงผลลัพธ์บางอย่างสำหรับวันด้วยมากที่สุดเข้าชมในช่วงสัปดาห์ที่ 2 การตั้งค่าพารามิเตอร์และ ในตอนแรก ( ) , วัตถุประสงค์ เท่ากับ รวมเดินทางครั้งด้วย ในส่วนที่สอง ( ) , , , , , , , และ ค่าเหล่านี้เป็น ผลของการสำรวจ ซึ่งในการตัดสินใจจากสภากาชาดออสเตรียถูกถามบอกการตั้งค่าของ โดยรวมจะสามารถสังเกตได้ว่าทางออกที่ดีที่สุดค่าได้ เมื่อพยาบาลเริ่มกะที่บ้านโดยไม่ต้องจ่ายเงิน นี้ไม่น่าแปลกใจเนื่องจากพยาบาลไม่ได้รับการจ่ายเงินสำหรับการขับรถเวลาที่ใช้กับลูกค้าก่อน และหลัง จากล่าสุด นอกจากนี้ยังพบว่าค่าพารามิเตอร์ดีกว่าในกรณีพิเศษในกรณีอื่น ๆมันขึ้นอยู่กับพื้นที่และทางเลือกของการตั้งค่าพารามิเตอร์เริ่มต้นจุดซึ่งนำไปสู่ค่าแก้ปัญหาดีกว่า ภูมิภาคทั้งหมดแก้ไขได้ด้วยดีกว่าภาคนี้ได้และไม่ถือ บางครั้งการแก้ปัญหาค่าดีกว่า บางครั้งไม่ได้ โดยทั่วไปแล้ว แม้ว่าค่าแก้ไขจะดีกว่านี้ไม่ได้หมายความว่าจุดมุ่งหมายเดียวในแต่ละที่เป็นจริงดีกว่า ตัวอย่าง ตารางที่ 2 รายงานค่าแก้ไขรายละเอียดสำหรับภูมิภาค การเดินทางครั้งที่มีขนาดเล็ก แต่จุดมุ่งหมายอื่น ๆทั้งหมดจะดีตอบสนอง ตารางที่ 3 แสดงผลการค้นหาสำหรับ ' 'extreme ' ' วันนั่นหมายความว่า ลูกค้าทุกคนในตำบลต้องเข้าชมในวันเดียวผลที่ได้แสดงให้เห็นว่ามันเป็นปัญหาในภูมิภาคในการรักษาบริการ สำหรับภูมิภาคและมันเป็นเพียงที่เป็นไปได้เพื่อให้บริการลูกค้าทั้งหมดถ้าพยาบาลเริ่มกะที่บ้าน และไม่ได้รับเงินสำหรับการเดินทางครั้งแรกของพวกเขาและ ซึ่งหมายความ ว่า ภายใต้สมมติฐานว่าลูกค้าทุกคนต้องเข้าชมในวันเดียวภายในเวลาหน้าต่าง 120 240 นาที มันเป็นไปไม่ได้ที่จะทำเช่นนั้น อย่างไรก็ตามสถานการณ์ดังกล่าวค่อนข้างยาก แต่มันแสดงให้เห็นว่า ภายใต้สถานการณ์เช่นพยาบาลมากขึ้น จำเป็น หรือเวลาที่ Windows จะถูกขยายเพื่อสนับสนุนการบริการ