代码中的演化 第2部分 如何使用遗传算法解决员工分配问题

代码演化 第2部分 遗传算法解决员工分配问题

数据科学。算法。人工智能。优化

使用遗传算法解决员工资源分配问题

简介

如果您从我之前的文章《Evolution in Your Code: Understanding and Coding Genetic Algorithm From Scratch — Part 1》跳转到这里，欢迎回来。

如果您是新来的，我建议先阅读第一部分，这样会更容易理解下面我们要编写的代码的思路。

在本文中，让我们尝试解决快餐环境下的资源分配问题，这是优化课程中研究最多的问题之一。

快餐环境下的资源分配问题

假设一家餐厅正在决定如何在其三个主要部门之间分配资源：

• 揭示神经魔法：深入理解激活函数
• 来自埃因霍温和西北大学的研究人员开发了一种新的神经形态生物传感器，能够进行芯片内学习，无需外部训练
• “放大看不见的：这种人工智能AI方法使用NeRFs来可视化3D中的微妙动作”

• 烹饪
• 组装
• 服务

这些问题的目标是最大化客户满意度，在我们的情况下，我们假设满意度取决于这些部门的效率。

将有15名员工在这些部门之间进行调动，每个部门需要至少3名员工。

每个员工在每个部门的效率率不同，范围从0到1，其中较高的效率表示在该部门中更合适。

客户满意度被计算为每个部门员工效率率的平均值的乘积。

以下是我们的额外假设：

• 所有员工工作时间相同。
• 部门的效率仅为其员工效率的平均值。
• 部门员工数量不会影响其效率，除了员工个体的效率之外——也就是说，没有递减回报，也没有与更多员工实现的协同效应。