护士排班问题是一类带有多约束的组合优化问题,排班方案的优劣与效率直接影响医院的护理成本和护理质量。研究出更高效的算法,科学合理地制定排班方案,具有重要的现实意义和研究意义。为了更好的解决带个人偏好的多级别多岗位的护士排班问题,考虑护理需求、劳动法规和个人偏好等因素,定义了多目标护士排班问题模型和采用加权平均的方式将多目标问题转化为单一惩罚函数。针对护士排班问题的单一惩罚函数,提出一种变邻域膜计算(MCVNS)方法,其中基于变邻域搜索思想,运用膜计算的并行机制,构建一个变邻域膜系统。该膜系统中的每个膜对应一种邻域结构,并决定膜的进化规则,即重写规则和通信规则。各膜依据进化规则进行并行优化,并且能够使得效率较高的邻域结构获得更多调用机会。针对五个科室的测试问题进行了一系列仿真计算,实验结果验证了MCVNS算法的有效性。针对高维多目标护士排班问题,提出了一种基于分解的多目标模拟退火膜计算(MCMOSA)方法,其中基于多目标模拟退火思想,利用膜计算的并行机制,构建一个多目标模拟退火膜系统。基于多目标分解的思想,对多目标护士排班问题进行分解(分组和聚合),将其分为多个双目标或者三目标问题,该膜系统中每个基本膜对应一种分组和聚合后的子问题,然后各膜依据多目标模拟退火算法制定重写规则进行并行优化,利用通信规则进行不同分组聚合问题之间的交流与更新。针对五个科室的测试问题进行了实验,实验结果表示,相对于MOSA算法,MCMOSA能够求得更优的解集且具有一定的鲁棒性。针对本文提出的两种算法在不同案例下的表现进行对比,实验结果显示MCVNS算法得到的最优解略优于MCMOSA解集中最优解,而MCVNS最优解平均仅能支配MCMOSA解集中极少部分的解,MCMOSA得到的解集的多样性更加丰富。