一种用于确定遗传算法中使用的适应度函数的方法和装置

摘要

本说明书实施例描述了一种用于确定遗传算法中使用的适应度函数的方法、业务处理方法和装置。根据实施例的方法，在确定遗传算法中使用的适应度函数时，首先获取适应度函数中包括的适应度参量和第一权重集合，然后基于该第一权重集合得到的遗传求解个体所能得到的收益确定出目标权重集合，进而根据该目标权重集合和适应度参量即可确定得到适应度函数。本方案中判断遗传求解个体是否适用于进行遗传求解的适应度函数是基于对具有不同权重的遗传求解个体的收益确定的，这与遗传求解的目标是一致的。因此，基于该适应度函数能够选择出使遗传求解向着得到最优解的方向演化的遗传求解个体，从而提高遗传求解的效率。

说明书

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种用于确定遗传算法中使用的适应度函数的方法和装置。

背景技术

在数据处理中，经常需要利用遗传算法进行求解。而在遗传算法的求解过程中，通常利用适应度来反映所选取的用于进行遗传求解的个体的优异程度。所选择的个体的适应度越高，利用该个体进行遗传求解的求解效果也越好。

在现有的遗传算法中，适应度通常是根据经验进行人为设置的。然而，这种方式受限于人工经验的局限，经常无法给出较优的适应度，即无法选择出对遗传求解更加有利的个体，从而导致遗传算法的求解效率较低。

发明内容

本说明书一个或多个实施例描述了一种用于确定遗传算法中使用的适应度函数的方法和装置，能够提高遗传求解的效率。

根据第一方面，提供了一种用于确定遗传算法中使用的适应度函数的方法，所述适应度函数用于计算遗传算法中得到的遗传求解个体的适应度，所述适应度用于表征该遗传求解个体的环境适应性，该方法包括：

获取所述适应度函数中包括的至少一个适应度参量以及至少两组第一权重集合；其中，所述第一权重集合为所述至少一个适应度参量各自的权重值的集合，任意两组第一权重集合中的权重值不完全相同；

基于应用所述至少两组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合；

利用所述目标权重集合和所述至少一个适应度参量，确定所述适应度函数。

在一种可能的实现方式中，每一个适应度参量均包括如下中的一个：

遗传求解个体所能达到的收益；

遗传求解个体的约束值；

所述收益、所述约束值和约束边界的任意组合。

在一种可能的实现方式中，所述基于应用所述至少两组第一权重集合得到的遗传求解个体所能达到的收益确定目标权重集合，包括：

针对每一组第一权重集合，计算利用当前第一权重集合得到的遗传求解个体所能达到的收益；

根据各组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合。

在一种可能的实现方式中，所述计算利用当前第一权重集合得到的遗传求解个体所能达到的收益，包括：

将当前第一权重集合中的各个权重值作用在各自对应的适应度参量上，得到初级适应度函数；

利用该初级适应度函数从至少一个遗传求解个体中确定出一个第一遗传求解个体；其中，所述至少一个遗传求解个体中所述第一遗传求解个体的适应度更高；

利用遗传算法对所述第一遗传求解个体进行求解，得到所述当前第一权重集合得到的第一遗传求解个体所能达到的收益。

在一种可能的实现方式中，所述根据各组第一权重集合得到的遗传求解个体所能达到的收益确定目标权重集合，包括：

利用至少一组样本训练数据训练收益预测模型；其中，每一组所述样本训练数据中均包括一组第一权重集合，以及利用该组第一权重集合得到的遗传求解个体所能达到的收益；

随机生成至少两组第二权重集合；其中，所述第二权重集合为所述至少一个适应度参量各自的权重值的集合，且任意两组第二权重集合中的权重值不完全相同；

分别将所述至少两组第二权重集合输入到所述收益预测模型中，输出收益结果；

将所述至少两组第二权重集合中具有最优收益结果的权重集合确定为所述目标权重集合。

在一种可能的实现方式中，所述利用所述目标权重集合和所述至少一个适应度参量确定所述适应度函数，包括：

将所述目标权重集合中各个权重值确定为与各权重值对应的适应度参量的权重系数，得到遗传算法中使用的适应度函数。

根据第二方面，提供了业务处理方法，包括：

接收一个业务处理任务；其中，该业务处理任务包括对一个遗传求解问题中的至少两个待进行遗传求解的遗传求解个体进行求解，任意一个遗传求解个体均包含该遗传求解问题的一个解；

利用如上述第一方面中任一所述的方法确定的适应度函数，计算所述至少两个待进行遗传求解的遗传求解个体的适应度；

根据计算出的适应度，从所述至少两个待进行遗传求解的遗传求解个体中选取出至少一个目标遗传求解个体；

利用遗传求解算法对所述至少一个目标遗传求解个体进行遗传求解，得到所述遗传求解问题的最优解。

根据第三方面，提供了一种用于确定遗传算法中使用的适应度函数的装置，所述适应度函数用于计算遗传算法中得到的遗传求解个体的适应度，所述适应度用于表征该遗传求解个体的环境适应性，该装置包括：

获取模块，配置为获取所述适应度函数中包括的至少一个适应度参量以及至少两组第一权重集合；其中，所述第一权重集合为所述至少一个适应度参量各自的权重值的集合，任意两组第一权重集合中的权重值不完全相同；

权重集合确定模块，配置为基于应用所述获取模块获取到的所述至少两组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合；

适应度函数确定模块，配置为利用所述权重集合确定模块确定的所述目标权重集合和所述获取模块获取到的所述至少一个适应度参量，确定所述适应度函数。

根据第四方面，提供了业务处理装置，包括：

任务接收模块，配置为接收一个业务处理任务；其中，该业务处理任务包括对一个遗传求解问题中的至少两个待进行遗传求解的遗传求解个体进行求解，任意一个遗传求解个体均包含该遗传求解问题的一个解；

适应度计算模块，配置为利用如权利要求8所述的装置确定的适应度函数，计算所述任务接收模块接收到的所述至少两个待进行遗传求解的遗传求解个体的适应度；

筛选模块，配置为根据所述适应度计算模块得到的适应度，从所述至少两个待进行遗传求解的遗传求解个体中选取出至少一个目标遗传求解个体；

遗传求解模块，配置为利用遗传求解算法对所述筛选模块得到的所述至少一个目标遗传求解个体进行遗传求解，得到所述遗传求解问题的最优解。

根据第五方面，提供了一种计算设备，包括：存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述第一方面和第二方面中任一项所述的方法。

根据本说明书实施例提供的方法和装置，在确定遗传算法中使用的适应度函数时，首先获取适应度函数中包括的至少一个适应度参量以及至少两组第一权重集合。然后基于该至少两组第一权重集合得到的遗传求解个体所能达到的收益确定出目标权重集合，进而根据该目标权重集合和适应度参量即可确定得到适应度函数。由此可见，本方案中判断遗传求解个体是否适合用于进行遗传求解的适应度函数是基于对具有不同权重的遗传求解个体的收益确定的，这与遗传求解的目标是一致的。因此，基于该适应度函数能够选择出使遗传求解向着得到最优解的方向演化的遗传求解个体，从而提高遗传求解的效率。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书一个实施例提供的一种用于确定遗传算法中使用的适应度函数的方法的流程图；

图2是本说明书一个实施例提供的目标权重集合确定方法的流程图；

图3是本说明书一个实施例提供的遗传求解个体收益的确定方法的流程图；

图4是本说明书另一个实施例提供的目标权重集合确定方法的流程图；

图5是本说明书一个实施例提供的业务处理方法的流程图；

图6是本说明书一个实施例提供的一种用于确定遗传算法中使用的适应度函数的装置的示意图；

图7是本说明书一个实施例提供的业务处理装置的示意图。

具体实施方式

在遗传算法的求解过程中，由于遗传求解会对可能的方案进行交叉、变异等处理，从而会得到更多种可能的求解方案。如果每次在进行遗传求解处理时，都对所有的求解方案进行遗传处理，那么必然会导致求解方案越来越多，造成计算资源的不足，严重影响遗传算法的求解效率。

比如，在一个业务场景中，有5台机器用于完成一项工作任务。然而每台机器的工作效率、耗电量、机器损耗成本等都存在差异。因此，考虑利用遗传求解的方式对每台机器的工作时长进行规划，即确定出每台计算分别需要工作多长时间能够以更低的成本完成这项任务。而在利用遗传求解的方式解决该问题时，需要通过对遗传求解个体（一个遗传求解个体表征解决该问题的一个方案）进行交叉、变异等遗传处理，以求得到最优的遗传求解个体，完成该项任务的最优方案。

如对于其中两个遗传求解个体A{（机器1，4h）,(机器2，5h),（机器3，3h）,(机器4，3h),(机器5，5h)}和B{（机器1，3h）,(机器2，2h),（机器3，5h）,(机器4，5h),(机器5，4h)}而对该遗传求解个体进行交叉后还可能进一步得到两个交叉后的遗传求解个体A1{（机器1，4h）,(机器2，5h),（机器3，5h）,(机器4，3h),(机器5，5h)}和B1{（机器1，3h）,(机器2，2h),（机器3，3h）,(机器4，5h),(机器5，4h)}，即将遗传求解个体A和B中机器3的工作时长进行交叉，得到A1和B1两个新的遗传求解个体。如此，原有的两个遗传求解个体变为了4个。而且，进一步还可以对每一个遗传求解个体进行变异处理，比如对A进行变异得到A2{（机器1，4h）,(机器2，3h),（机器3，3h）,(机器4，3h),(机器5，5h)}，即将A中机器2的工作时长从5h变为3h。也就是说，在每经过一轮遗传求解都可能得到大量的遗传求解个体，在下一轮的遗传求解中又需要对上一轮的所有遗传求解个体分别进行遗传求解。因此，随着遗传求解的不断执行，势必导致可能的方案越来越多，会严重影响的遗传求解的效率。

适应度是一个能够反映所选取的用于进行遗传求解个体的优异程度的量，所选择的个体适应度越高，利用该个体进行遗传求解的求解效果也越好。选取具有较好适应度的遗传求解个体能够大大提升遗传求解的效率。因此，在进行遗传处理之前，本方案考虑对各个遗传求解个体的适应度进行判断，以对可能的求解方案进行筛选，从而提升遗传算法的求解效率。

如图1所示，本说明书实施例提供了一种用于确定遗传算法中使用的适应度函数的方法，适应度函数用于计算遗传算法中得到的遗传求解个体的适应度，适应度用于表征该遗传求解个体的环境适应性，该方法可以包括如下步骤：

步骤101：获取适应度函数中包括的至少一个适应度参量以及至少两组第一权重集合；其中，第一权重集合为至少一个适应度参量各自的权重值的集合，任意两组第一权重集合中的权重值不完全相同；

步骤103：基于应用至少两组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合；

步骤105：利用目标权重集合和至少一个适应度参量，确定适应度函数。

本实施例中，在确定遗传算法中使用的适应度函数时，首先获取适应度函数中包括的至少一个适应度参量以及至少两组第一权重集合。然后基于该至少两组第一权重集合得到的遗传求解个体所能达到的收益确定出目标权重集合，进而根据该目标权重集合和适应度参量即可确定得到适应度函数。由此可见，本方案中判断遗传求解个体是否适合用于进行遗传求解的适应度函数是基于对具有不同权重的遗传求解个体的收益确定的，这与遗传求解的目标是一致的。因此，基于该适应度函数能够选择出使遗传求解向着得到最优解的方向演化的遗传求解个体，从而提高遗传求解的效率。

下面结合具体的实施例对附图1中的各个步骤进行说明。

首先在步骤101中，获取适应度函数中包括的至少一个适应度参量以及至少两组第一权重集合；其中，第一权重集合为至少一个适应度参量各自的权重值的集合，任意两组第一权重集合中的权重值不完全相同。

本步骤中，当接收到一个利用遗传算法对待遗传求解问题进行遗传求解的数据处理任务时，可以首先确定用于对该待遗传求解问题进行遗传求解的遗传算法中使用的适应度函数。而在确定遗传算法中使用的适应度函数时首先可以获取该适应度函数中包括的至少一个适应度参量和至少两组第一权重组合。即生成的用于计算遗传求解个体的适应度的适应度函数是以适应度参量作为变量的，而适应度表征的是该遗传求解个体的环境适应性。

其中，对于遗传求解个体来说，每一个遗传求解个体都可以为遗传求解问题中的一个解，即每一个遗传求解个体均为解决该遗传求解问题的一个可行性方案。进一步，每一个遗传求解个体通过遗传算法中的交叉和变异等处理，能够得到更多的遗传求解个体。比如，在利用多台机器完成某一项任务时，为了以最低的成本达到该项任务所要求的产能任务，可以对每台机器所需要使用的时长进行分别确定，即对各个机器所要完成的任务量进行分配，所有机器在完成这项任务的使用时长即为一个遗传求解个体。如，在利用5台机器完成某一项任务时，在一种可能的实现方式中，这5台机器分别使用4h、5h、3h、3h、5h可以完成该任务，那么对应的该遗传求解个体为{（机器1，4h）,(机器2，5h),（机器3，3h）,(机器4，3h),(机器5，5h)}，该任务的一个可行性方案为机器1工作4h，机器2工作5h，机器3工作3h，机器4工作3h，机器5工作5h；再比如，为了以最短的时间到达某一目的地，可以是对在每个路口的运动方向进行分别确定，在每个路口出的路线选择即为一个遗传求解个体。

如此，在通过遗传算法中的交叉变异等处理会不断得到更多的遗传求解个体，如果每次都利用所有的遗传求解个体不断进行交叉变异，则会得到大量的遗传求解个体，这严重影响遗传求解的效率。由于适应度是一个能够反映所选取的用于进行遗传求解个体的优异程度的量，所选择的个体适应度越高，利用该个体进行遗传求解的求解效果也越好，选取具有较好适应度的遗传求解个体能够大大提升遗传求解的效率。因此，考虑利用适应度对每次遗传求解后得到的遗传求解个体进行筛选。而利用适应度进行筛选，则需要有一个适宜的适应度筛选标准，本方案旨在生成一个适应度函数用于进行遗传求解个体的筛选，该适应度可以以适应度参量作为变量来确定。

适应度参量是能够表征对遗传求解的结果产生影响的参量。比如，每一个适应度参量均可以包括遗传求解个体所能达到的收益、遗传求解过程的约束值、遗传求解过程的约束边界等中的一个，还可以包括遗传求解个体所能达到的收益、遗传求解个体的约束值和遗传求解过程的约束边界的任意组合。如任意至少两者的和、差、积、商、幂等。

比如，对于机器分配完成某一项任务来说，收益可以包括该项任务所要求完成的产能；约束值可以包括两台机器之间的限制关系，或某台机器产能与损耗之间的约束关系；约束边界可以包括每台机器或某台机器的最长工作时长限制、最短工作时间限制、以及最低产能标准等。

再比如，对于寻最优路线的任务来说，收益可以包括到达目的地所用的时长；约束值可以包括某个路口中的一个或多个方向无法到达目的地，或某个路口中的一个方向为达到目的地的必选方向，或选择一个路口的某个方向时则必须/不能选择另一个路口的某个方向，如选择A路口中的方向1时则必须选择B路口中的方向3等；而约束边界可以包括选择某个路口时到达下一个路口的时间不能超过T等。

进一步，当确定适应度参量之后，需要考虑各个适应度参量合适的权重值。比如，可以基于适应度参量给出一个适应度表达式

在一种可能的实现方式中，步骤101中获取适应度函数中包括的至少两组第一权重集合时，可以考虑随机生成至少两组第一权重集合。容易理解的是，随机生成的任意一个第一权重集合中的每一个权重值都唯一对应一个适应度参量，而且任意两组第一权重集合中的权重值不完全相同。

如针对表达式

当然，在随机生成第一权重集合时，还可以对权重进行评估，对每一个权重值的取值范围进行限定。比如，

然后在步骤103中，基于应用至少两组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合。

由于遗传求解是为了找到具有最大收益的方案。因此本步骤中考虑基于遗传求解个体所能达到的收益来从多个第一权重集合中确定出合适的目标权重集合。在一种可能的实现方式中，如图2所示，步骤103可以通过如下步骤实现：

步骤201：针对每一组第一权重集合，计算利用当前第一权重集合得到的遗传求解个体所能达到的收益；

步骤203：根据各组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合。

本实施例中，在基于遗传求解个体所能达到的收益确定目标权重集合时，首先针对每一组第一权重集合，计算利用当前第一权重集合得到的遗传求解个体所能达到的收益。如此根据各组第一权重集合得到的遗传全解个体所能达到的收益即可合理确定出合适的目标权重集合。由于该目标权重集合是基于遗传求解个体所能达到的收益确定的，与遗传求解的目标是一致的，从而通过该本方案确定的目标权重集合能够使得适应度函数具有更好的效果。进而利用该适应度函数能够选择出使遗传求解向着得到最优解的方向演化的遗传求解个体，以提升遗传求解的效率和解的质量。

下面对步骤201进行说明。

本步骤中，基于本方案根据各个遗传求解个体的收益确定适应度的考虑，在得到多组第一权重集合之后，考虑计算各个第一权重集合得到的遗传求解个体对应的收益。在一种可能的实现方式中，如图3，步骤201在针对每一组第一权重集合计算利用当前第一权重集合得到的遗传求解个体所能达到的收益时，可以通过如下步骤实现：

步骤301：将当前第一权重集合中的各个权重值作用在各自对应的适应度参量上，得到初级适应度函数；

步骤303：利用该初级适应度函数从至少一个遗传求解个体中确定出一个第一遗传求解个体；其中，至少一个遗传求解个体中第一遗传求解个体的适应度更高；

步骤305：利用遗传算法对第一遗传求解个体进行求解，得到当前第一权重集合得到的第一遗传求解个体所能达到的收益。

本实施例中，在计算每一个第一权重集合对应的收益时，首先考虑将该当前第一权重集合中的各个权重值作用在对应的适应度参量上，得到初级适应度函数，然后利用该初级适应度函数从至少一个遗传求解个体中确定出一个适应度更高的第一遗传求解个体。进而利用遗传算法对该第一遗传求解个体进行求解得到该当前第一权重集合得到的第一遗传求解个体所能达到的收益。由此可见，本方案通过将每一个第一权重集合作用到适应度参量上，从而确定出不同的适应度的函数。然后利用完整的遗传求解过程求解，实现了利用不同的适应度函数对遗传求解个体进行了筛选，从而可以得到各适应度函数所对应的收益，即得到了各第一权重集合的第一遗传求解个体所能达到的收益。

比如，随机生成的三组第一权重集合分别为[1、2、1]、[-0.5、-2、1]、[1、0.8、-0.2]。那么可得到该三组第一权重集合所对应的初级适应度函数分别为：

需要指出的是，适应度参量在遗传求解中是根据遗传求解个体的可行性解具体计算得到的。比如，适应度参量f1表征的是遗传求解个体所能达到的收益，那么利用适应度函数

再比如，适应度参量f2表征的是遗传求解过程的约束值，那么利用适应度函数

又比如，适应度参量还可以包括收益、约束值以及约束边界等的任意组合。比如，f3可以是收益和约束值的差或和，还可以是约束边界与约束值的乘积，还可以是收益的n次幂，其中n为约束边界。

因此，适应度参量是根据遗传求解个体的解进行计算得到的，不同的遗传求解个体具有不同的适应度参量的计算值。当然，适应度参量也可能是定值，比如针对同一个遗传求解问题，遗传求解过程的约束边界可能为定值，那么在利用适应度函数计算该遗传求解问题的适应度时，适应度函数中对应遗传求解过程的约束边界的适应度参量即为对应的定值。当然，约束边界更多以和收益和、约束值之间的任意组合作为适应度参量构成适应度函数。

当然，在利用适应度的表达式进行遗传求解个体的选择时，并不仅限于从多个遗传求解个体中选择其中的一个，还可以根据设定一个适应度的范围，选择位于适应度值位于适应度范围内的遗传求解个体进行收益计算，以及用于下一轮的遗传求解。

下面对步骤203进行说明。

在得到各第一权重集合和第一权重集合对应的收益之后，可以将其作为样本训练得到收益预测模型，进而可以利用该收益预测模型确定出最合适的目标权重集合。在一种可能的实现方式中，如图4所示，步骤203在根据各组第一权重集合得到的遗传求解个体所能达到的收益确定目标权重集合时，可以通过如下步骤实现：

步骤401：利用至少一组样本训练数据训练收益预测模型；其中，每一组样本训练数据中均包括一组第一权重集合，以及利用该组第一权重集合得到的遗传求解个体所能达到的收益；

步骤403：随机生成至少两组第二权重集合；其中，第二权重集合为至少一个适应度参量各自的权重值的集合，且任意两组第二权重集合中的权重值不完全相同；

步骤405：分别将至少两组第二权重集合输入到收益预测模型中，输出收益结果；

步骤407：将至少两组第二权重集合中具有最优收益结果的权重集合确定为目标权重集合。

本实施例中，在确定最合适的目标权重集合时，首先将一组第一权重集合和该组第一权重集合得到的遗传求解个体所能达到的收益作为一组样本训练数据，如此利用多组样本训练数据训练得到收益预测模型。然后随机生成至少两组用于进行测试的第二权重集合。进一步，分别将随机生成的第二权重集合输入到收益预测模型中得到收益集合。如此根据收益结果，可以将具有最优收益结果的第二权重集合确定为目标权重集合。由此可见，本方案通过建立第一权重集合和收益的关系，如此可以对随机生成的大量第二权重集合进行收益预测，不需要对每一个第二权重集合通过完整的遗传计算得到收益，从而能够快速根据随机生成的第二权重集合确定出具有最优收益的目标权重集合，提升确定适应度的效率。

本方案中，可以通过机器学习的方式训练得到的收益预测模型，该收益预测模型是建立的第一权重集合与收益的关系。如此在生成第二权重集合时，可以尽可能多的生成第二权重集合，从而能够找到具有最优收益的第二权重集合。

当然需要指出的是，此时得到的最优收益并不一定表示该遗传求解问题所能达到的最优方案，而是指该问题利用当前算法所能得到的最优方案。此时得到的最优收益可能是针对该遗传求解问题的最佳方案，也可能是较为最佳的方案，即该最优收益为当前时刻所能达到的最佳方案。

比如，该最优收益可以是在满足遗传处理的终止条件时所能都达到的最优方案。而在判定遗传处理是否满足终止条件时，可以判断进行遗传处理的次数是否达到预设的迭代次数阈值，判断进行遗传处理的时长是否达到预设的处理时长阈值，以及判断遗传处理所得到的解是否满足预设的最优解标准等。如此通过设置合适的终止条件，在遗传处理时判断上述中的一个或多个，从而得到满足该终止条件时的最优解。

此外，本说明书实施例中所提到的最优收益并不一定是指的真正的盈利。比如，该收益可以是产能、盈利等，此时当然是具有最大收益的解为最优解。再比如，该收益还可以是成本等间接性的收益，此时显然收益最小才为最优收益。因此具体需要根据实际研究对象进行设定，并不一定是收益越大对应的收益越好，也不一定是收益越小对应的解越好。

最后在步骤105中，利用目标权重集合和至少一个适应度参量，确定适应度函数。

在通过步骤103得到目标权重集合之后，即可根据该目标权重集合和各个适应度参量确定出适应度函数。在一种可能的实现方式中，可以将目标权重集合中各个权重值确定为与各权重值对应的适应度参量的权重系数，得到遗传算法中使用的适应度函数。

比如，f1、f2、f3分别为表征适应度的三个适应度参量，而通过本方案的得到的目标权重集合为[1.2,-2.4，-0.5]，那么可知遗传算法中使用的适应度函数为

如图5所示，本说明书实施例提供了业务处理方法，该方法可以包括如下步骤：

步骤501：接收一个业务处理任务；其中，该业务处理任务包括对一个遗传求解问题中的至少两个待进行遗传求解的遗传求解个体进行求解，任意一个遗传求解个体均包含该遗传求解问题的一个解；

步骤503：利用如上述任一实施例提供的方法确定的适应度函数，计算至少两个待进行遗传求解的遗传求解个体的适应度；

步骤505：根据计算出的适应度，从至少两个待进行遗传求解的遗传求解个体中选取出至少一个目标遗传求解个体；

步骤507：利用遗传求解算法对至少一个目标遗传求解个体进行遗传求解，得到遗传求解问题的最优解。

本实施例中，在对遗传求解的问题进行业务处理时，可以利用上述任一实施例提供的用于确定遗传算法中使用的适应度函数的方法所确定的适应度函数，从接收到的业务处理任务中的至少两个遗传求解个体中选取出至少一个目标遗传求解个体，然后利用选取出的目标遗传求解个体进行遗传求解，从而得到该遗传求解问题的最优解。

步骤503在计算业务处理任务中的至少两个待进行遗传求解的遗传求解个体的适应度时，可以利用上述任一实施例提供的一种用于确定遗传算法中使用的适应度函数的方法确定。比如，可以通过上述得到的适应度函数

步骤505在根据适应度确定目标遗传求解个体时，可以设定一个适应度的标准。比如，将适应度不小于A的遗传求解个体确定为目标遗传求解个体，利用该目标遗传求解个体进行遗传求解。而适应度小于A的遗传求解个体进行过滤筛除，其不参与到遗传求解运算中。

容易理解的是，在每一轮遗传求解运算中，都可以利用本方案根据适应度对遗传求解个体进行筛选，以避免遗传求解个体通过交叉变异等遗传处理不断增多，从而使遗传求解无法快速地得到高质量的解。

如图6所示，本说明书提供了一种用于确定遗传算法中使用的适应度函数的装置，适应度函数用于计算遗传算法中得到的遗传求解个体的适应度，适应度用于表征该遗传求解个体的环境适应性，该装置包括：

获取模块601，配置为获取适应度函数中包括的至少一个适应度参量以及至少两组第一权重集合；其中，第一权重集合为至少一个适应度参量各自的权重值的集合，任意两组第一权重集合中的权重值不完全相同；

权重集合确定模块602，配置为基于应用获取模块601获取到的至少两组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合；

适应度函数确定模块603，配置为利用权重集合确定模块602确定的目标权重集合和获取模块601获取到的至少一个适应度参量，确定适应度函数。

在一种可能的实现方式中，获取模块601接收到的每一个适应度参量均包括如下中的一个：

遗传求解个体所能达到的收益；

遗传求解个体的约束值；

收益、约束值和约束边界的任意组合。

在一种可能的实现方式中，权重集合确定模块602在基于应用至少两组第一权重集合得到的遗传求解个体所能达到的收益确定目标权重集合时，配置成执行如下操作：

针对每一组第一权重集合，计算利用当前第一权重集合得到的遗传求解个体所能达到的收益；

根据各组第一权重集合得到的遗传求解个体所能达到的收益，确定目标权重集合。

在一种可能的实现方式中，权重集合确定模块602在针对每一组第一权重集合计算利用当前第一权重集合得到的遗传求解个体所能达到的收益时，配置成执行如下操作：

将当前第一权重集合中的各个权重值作用在各自对应的适应度参量上，得到初级适应度函数；

利用该初级适应度函数从至少一个遗传求解个体中确定出一个第一遗传求解个体；其中，至少一个遗传求解个体中第一遗传求解个体的适应度更高；

利用遗传算法对第一遗传求解个体进行求解，得到当前第一权重集合得到的第一遗传求解个体所能达到的收益。

在一种可能的实现方式中，权重集合确定模块602在根据各组第一权重集合得到的遗传求解个体所能达到的收益确定目标权重集合时，配置成执行如下操作：

利用至少一组样本训练数据训练收益预测模型；其中，每一组样本训练数据中均包括一组第一权重集合，以及利用该组第一权重集合得到的遗传求解个体所能达到的收益；

随机生成至少两组第二权重集合；其中，第二权重集合为至少一个适应度参量各自的权重值的集合，且任意两组第二权重集合中的权重值不完全相同；

分别将至少两组第二权重集合输入到收益预测模型中，输出收益结果；

将至少两组第二权重集合中具有最优收益结果的权重集合确定为目标权重集合。

在一种可能的实现方式中，适应度函数确定模块603在利用目标权重集合和至少一个适应度参量确定适应度函数时，配置成执行如下操作：

将目标权重集合中各个权重值确定为与各权重值对应的适应度参量的权重系数，得到遗传算法中使用的适应度函数。

如图7所示，本说明书实施例提供了一种业务处理装置，该装置可以包括：

任务接收模块701，配置为接收一个业务处理任务；其中，该业务处理任务包括对一个遗传求解问题中的至少两个待进行遗传求解的遗传求解个体进行求解，任意一个遗传求解个体均包含该遗传求解问题的一个解；

适应度计算模块702，配置为利用如上述一种用于确定遗传算法中使用的适应度函数的装置确定的适应度函数，计算任务接收模块701接收到的至少两个待进行遗传求解的遗传求解个体的适应度；

筛选模块703，配置为根据适应度计算模块702得到的适应度，从至少两个待进行遗传求解的遗传求解个体中选取出至少一个目标遗传求解个体；

遗传求解模块704，配置为利用遗传求解算法对筛选模块703得到的至少一个目标遗传求解个体进行遗传求解，得到遗传求解问题的最优解。

本说明书还提供了一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。

本说明书还提供了一种计算设备，包括存储器和处理器，存储器中存储有可执行代码，处理器执行可执行代码时，实现说明书中任一个实施例中的方法。

可以理解的是，本说明书实施例示意的结构并不构成对用于确定遗传算法中使用的适应度函数的装置和业务处理装置的具体限定。在说明书的另一些实施例中，用于确定遗传算法中使用的适应度函数的装置和业务处理装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置内的各单元之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本说明书描述的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。