一种基于遗传算法的公示信息归类计算方法及系统

本发明属于遗传算法应用，尤其是涉及一种基于遗传算法的公示信息归类计算方法。

背景技术：

1、国家高度重视人才工作和人才事业发展，地方政府也相应出台了各地人才政策。但由于人才政策内容不断更新，用户从网络上搜索到的政策信息十分繁杂，需要从大量信息中寻找相关信息，而且各地的对符合政策的要求各有不同，现有技术中对于此类信息的归类计算均是通过人工方式进行的，包括按照一定的周期进行人工搜索、存储、分析、规划，非常耗时，也消耗人力资源；其次，在采用简单方式直接全部下载发布平台的过程中，将下载后的信息再进行关键词匹配的话，会存在数据交互出现延迟，且设定关键词过于繁杂，还容易出现漏检。更为重要的是，随着发布平台以及下载平台的多样化，单一的下载数据会造成数据重复下载，无形中耽误了信息的处理效率。

技术实现思路

1、发明目的：本发明目的旨在提供一种的基于遗传算法的公示信息归类计算方法；本发明。

2、技术方案：本发明所述的基于遗传算法的公示信息归类计算方法，1、一种基于遗传算法的公示信息归类计算方法，包括以下步骤：

3、步骤1、建立目标值政策组合模型；

4、步骤2、采用随机数的方式产生初始获取目标值的不同组合；

5、步骤3、将初始目标值组合作为初始种群，利用遗传算法进行求解，通过选择、交叉和变异运算操作求得解数据；

6、步骤4、重复n次步骤3，记录最好的解数据为目标值组合的最优解和最高目标值数据。

7、其中，所述建立目标值模型包括：假设有m条关于目标值信息，对目标值信息进行分析，分析获取目标值前后顺序对最优解的影响，和不符合的目标值信息，建立一个m×m的补贴目标值数据矩阵f，其中fij表示第j条目标值信息在第i条目标值信息影响下的最高目标值数据。

8、其中，所述采用随机数的方式产生初始目标值组合，包括随机产生y个1×m的目标值信息矩阵，一维矩阵中除零以外均为不重复的正整数，且最大正整数不超过m。

9、其中，所述利用遗传算法对矩阵进行求解，以通过选择、交叉和变异运算求得解数据，具体包括以下步骤：

10、步骤31、将种群中的一维矩阵转换为二维矩阵；

11、步骤32、计算种群适应度，并按照适应度大小排序；

12、步骤33、使用轮盘赌选择法选择下一代种群；

13、步骤34、对下一代种群进行交叉、变异操作；

14、步骤35、判断是否达到迭代次数，若是则进入步骤4，否则回到步骤31。

15、其中，所述步骤31中所述的将种群中的一维矩阵转换为两个二维矩阵，采用如下方法进行转换：将一维矩阵中的零全部移除；初始化两个m×m的零矩阵；将第一个零矩阵作为申请条件矩阵以一维矩阵中除最后一个数字外，每一个数字作为行索引，之后的数字作为列索引，将矩阵中的元素置为一；将第二个零矩阵作为申请金额矩阵μ；以一维矩阵中除最后一个数字外，每一个数字作为行索引，其后的第一个数字作为列索引，将矩阵中的元素置为一；以一维矩阵中第一个数字作为行索引和列索引将两个矩阵中的元素置为一。

16、其中，所述步骤32中所述的种群适应度采用如下适应度函数计算：

17、

18、w＝μtf；

19、

20、其中，τ为申请顺序的评价因子；m为补贴政策的数量；i为矩阵f的行索引，范围从1到m；j为矩阵f的列索引，范围从1到m；矩阵w为适应度函数的评价函数；-n表示一个无穷大的负数。

21、其中，所述步骤34中所述的交叉操作，具体包括：随机选取某两个补贴政策交换顺序；进行交叉操作的概率为0.6。

22、其中，所述步骤34中所述的变异操作，具体包括：随机选取某一个补贴政策置为零或者随机选择某一个零置为一个与矩阵中不重复的正整数，且小于等于m；进行变异操作的概率为0.1。

23、其中，所述迭代次数为150～250次。

24、一种基于遗传算法的公示信息归类计算的归类计算系统，包括模型建立模块、采集模块、求解模块以及数据输出模块；所述模型建立模块用于建立目标值政策组合模型；所述采集模块用于采用随机数的方式产生初始获取目标值的不同组合；所述求解模块用于将初始目标值组合作为初始种群，利用遗传算法进行求解，通过选择、交叉和变异运算操作求得解数据；数据输出模块用于重复n次步骤3，记录最好的解数据为目标值组合的最优解和最高目标值数据。

25、有益效果：与现有技术相比，本发明具有以下显著的进步：本发明以人才政策补贴为实施环境，根据补贴政策内容建立模型，采用随机数的方式产生初始补贴组合作为初始种群，并通过遗传算法的选择、交叉、变异操作后求得最优解，该过程实现在考虑政策申请顺序的情况下，快速而高效地得出最优申请顺序和最高申请补贴金额，大幅降低人工计算时间。

技术特征：

1.一种基于遗传算法的公示信息归类计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述建立目标值模型包括：假设有m条关于目标值信息，对目标值信息进行分析，分析获取目标值前后顺序对最优解的影响，和不符合的目标值信息，建立一个m×m的补贴目标值数据矩阵f，其中fij表示第j条目标值信息在第i条目标值信息影响下的最高目标值数据。

3.根据权利要求1所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述采用随机数的方式产生初始目标值组合，包括随机产生y个1×m的目标值信息矩阵，一维矩阵中除零以外均为不重复的正整数，且最大正整数不超过m。

4.根据权利要求2所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述利用遗传算法对矩阵进行求解，以通过选择、交叉和变异运算求得解数据，具体包括以下步骤：

5.根据权利要求4所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述步骤31中所述的将种群中的一维矩阵转换为两个二维矩阵，采用如下方法进行转换：将一维矩阵中的零全部移除；初始化两个m×m的零矩阵；将第一个零矩阵作为申请条件矩阵以一维矩阵中除最后一个数字外，每一个数字作为行索引，之后的数字作为列索引，将矩阵中的元素置为一；将第二个零矩阵作为申请金额矩阵μ；以一维矩阵中除最后一个数字外，每一个数字作为行索引，其后的第一个数字作为列索引，将矩阵中的元素置为一；以一维矩阵中第一个数字作为行索引和列索引将两个矩阵中的元素置为一。

6.根据权利要求1所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述步骤32中所述的种群适应度采用如下适应度函数计算：

7.根据权利要求4所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述步骤34中所述的交叉操作，具体包括：随机选取某两个补贴政策交换顺序；进行交叉操作的概率为0.6。

8.根据权利要求4所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述步骤34中所述的变异操作，具体包括：随机选取某一个补贴政策置为零或者随机选择某一个零置为一个与矩阵中不重复的正整数，且小于等于m；进行变异操作的概率为0.1。

9.根据权利要求4所述的一种基于遗传算法的公示信息归类计算方法，其特征在于，所述迭代次数为150～250次。

10.一种根据权利要求1所述的基于遗传算法的公示信息归类计算的归类计算系统，其特征在于，包括模型建立模块、采集模块、求解模块以及数据输出模块；所述模型建立模块用于建立目标值政策组合模型；所述采集模块用于采用随机数的方式产生初始获取目标值的不同组合；所述求解模块用于将初始目标值组合作为初始种群，利用遗传算法进行求解，通过选择、交叉和变异运算操作求得解数据；数据输出模块用于重复n次步骤3，记录最好的解数据为目标值组合的最优解和最高目标值数据。

技术总结
本发明公开了一种基于遗传算法的公示信息归类计算方法，建立目标值政策组合模型；采用随机数的方式产生初始获取目标值的不同组合；将初始目标值组合作为初始种群，利用遗传算法进行求解，通过选择、交叉和变异运算操作求得解数据；重复N次步骤3，记录最好的解数据为目标值组合的最优解和最高目标值数据。本发明以人才政策补贴为实施环境，根据补贴政策内容建立模型，采用随机数的方式产生初始补贴组合作为初始种群，并通过遗传算法的选择、交叉、变异操作后求得最优解，该过程实现在考虑政策申请顺序的情况下，快速而高效地得出最优申请顺序和最高申请补贴金额，大幅降低人工计算时间。

技术研发人员：陈竹西,魏薇
受保护的技术使用者：扬州大学
技术研发日：
技术公布日：2024/3/31