使用遗传算法优化人员规划

> Chromosomes are an important element of genetics. Photo by National Cancer Institute on Unsplash.

遗传算法是模仿自然选择过程的优化算法。 他们没有使用"数学技巧"，而是仅复制了我们知道其有效的逻辑。

这种自然选择的过程以适者生存为基础：自然界中能使最佳个体（动物，植物或其他）生存的过程。 然后，这些优胜劣汰的人彼此交配，产生了新一代。 大自然还以基因组突变的形式增加了一些随机性。

新生代是好人和坏人的混合体，但是在这里，好人将继续生存，交配，然后产生新一代。

结果是一代又一代的持续改进。

人员计划是优化研究的主题，许多公司都对此进行了介绍。 一旦公司拥有许多员工，就很难在满足某些约束的同时找到适合业务需求的计划。 除其他现有解决方案外，遗传算法是一种解决此问题的优化方法。

在上一篇文章中，我展示了如何将Python中的DEAP库用于开箱即用的遗传算法。 在本文中，我将更详细地介绍如何理解遗传算法的不同部分。

下面的代码是遗传算法的生产代码的简化版本。 为了更好地理解示例而不是速度和可重用性，对它进行了优化。 它包含应用于示例数据的每个列出的步骤。

· 如何为遗传算法编码数据？

· 如何评估遗传算法解决方案？

· 如何为遗传算法编码交配（交叉）？

· 如何为遗传算法编码突变？

· 如何定义遗传算法的选择？

· 如何为遗传算法定义迭代和停止？

如果要随身携带笔记本，可以在此处下载。

在此代码中，我们将使用同一员工计划的两种不同形状。

第1类计划-每位员工

> Encoding Data For the Genetic Algorithm — Type 1 Planning — Per Employee. Picture by author.

第一个形状将是员工对员工的计划，详细视图。 每周计划总数是一个列表，其中包含每天的列表（在我们的情况下为5天）。 每个日常清单都包含一个班次列表（在我们的案例中为员工的11个班次）。 每个班次都是一个员工ID（从0到11，仅供参考），开始时间（0到24点之间）和班次持续时间（0到10小时之间）的列表。

我们的员工需要这种类型的计划才能知道他们何时工作。

第2类计划-每小时总计

> Encoding Data For the Genetic Algorithm — Type 2 Planning — Totals Per Hour. Picture by author.

第二种计划类型是每小时被雇用的员工总数。 商店所有者将使用此计划来决定该计划是否与商店的估计需求相对应。

为了评估每小时的员工计划，我们需要定义一个目标情况。 定义此目标不是优化的一部分：这将是另一个项目的问题。