一种基于多种群遗传算法的网点分配比例寻优方法及装置

技术领域

本申请涉及人工智能领域，可以用于金融领域，具体是一种基于多种群遗传 算法的网点分配比例寻优方法及装置。

背景技术

实际业务中，金融机构各网点所需的现钞及实物产品等经常会因调度不均， 使得一些网点出现短时期内现钞储量不足或产品滞销的问题。假设以上现钞或实 物产品均称为产品1、产品2、产品3、……，则对于产品1而言，设有n个待调 度的网点，A

所谓遗传算法是指模拟达尔文生物进化论中自然选择过程的一种计算模型， 该计算模型能够通过模拟自然进化过程搜索最优解。该计算模型通过数学方式， 利用计算机实现仿真运算，将问题的求解过程转换为类似生物进化中染色体基因 交叉及变异等的过程。在求解较为复杂的组合优化问题时，相对一些常规的优化 算法，往往能够较快地获得较好的优化结果。利用遗传算法求取最优解时，需要 预设一初始种群，通过对初始种群中各个体适应度的计算，找到优势个体，再对 优势个体进行交叉及变异等进化繁衍，最终得出最优个体，即最优解。

用现有的遗传算法进行上述寻优时，罚函数的引入是一种常见的技术手段， 但其存在效率低下等诸多问题。为了解决引入罚函数所带来的效率低下的问题， 业界也提出有针对不同应用场景设计不同遗传算子以求出可行解，从而绕过罚函 数弊端的方法。但在待调度的网点较多且所涉及的产品较多的情况下，现有技术 只能利用遗传算法进行串行计算，无法实现“高性能计算节点”与“多种群遗传 算法”并发设计。因此，目前尚无一种可以通过并行计算方式利用遗传算法增强 全局求解能力的成熟方案。

发明内容

针对现有技术中的问题，本申请提供一种基于多种群遗传算法的网点分配比 例寻优方法及装置，能够利用多种群遗传算法在并发高性能计算体系中求得最优 网点分配比例。

为解决上述技术问题，本申请提供以下技术方案：

第一方面，本申请提供一种基于多种群遗传算法的网点分配比例寻优方法， 包括：

利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适 应度；其中，各所述个体由产品待调度网点的一组分配比例组成；

将各所述适应度对应的初始适应度变量转换为初始基因变量；

利用所述初始基因变量完成对所述子种群的进化，得到子种群对应的优秀个 体及所述优秀个体对应的优秀基因变量；

根据预设的融合繁衍轮次，利用所述优秀基因变量对所述优秀个体进行融合 繁衍，得到最优网点分配比例。

进一步地，构建适应度预测模型的步骤，包括：

根据产品待调度网点的历史调度数据获取训练种群；

将所述训练种群输入时间循环神经网络模型进行训练，得到适应度预测模型。

进一步地，所述将各所述适应度对应的初始适应度变量转换为初始基因变量， 包括：

将所述初始适应度变量输入第一转换队列；

利用第一转换线程，根据初始适应度变量与初始基因变量之间的第一映射关 系将所述第一转换队列中的所述初始适应度变量转换为初始基因变量。

进一步地，所述利用所述初始基因变量完成对所述子种群的进化，得到子种 群对应的优秀个体及所述优秀个体对应的优秀基因变量，包括：

对基因变量进行模拟二进制交叉及高斯变异，得到优秀个体及其对应的优秀 基因进一步地，所述根据预设的融合繁衍轮次，利用所述优秀基因变量对所述优 秀个体进行融合繁衍，得到最优网点分配比例，包括：

根据所述融合繁衍轮次，利用所述优秀基因变量对所述优秀个体进行融合繁 衍，确定多个最优新生个体及其对应的最优新生基因变量；

将所述最优新生基因变量输入第二转换队列；

利用第二转换线程，根据最优新生适应度变量与最优新生基因变量之间的第 二映射关系将所述第二转换队列中的所述最优新生基因变量转换为最优新生适应 度变量；

根据所述最优新生适应度变量，利用所述适应度预测模型确定各所述最优新 生个体对应的适应度，并从中选取适应度最高的一个最优新生个体作为所述最优 网点分配比例。

进一步地，所述根据所述融合繁衍轮次，利用所述优秀基因变量对所述优秀 个体进行融合繁衍，确定多个最优新生个体及其对应的最优新生基因变量，包括：

当完成进化的子种群的数量达到预设的融合繁衍数量时，对各所述子种群中 的所述优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异，得到优秀 新生个体及优秀新生基因变量；

将所述优秀新生基因变量输入第三转换队列；

利用第三转换线程，根据优秀新生适应度变量与优秀新生基因变量之间的第 三映射关系将所述第三转换队列中的所述优秀新生基因变量转换为优秀新生适应 度变量；

根据所述优秀新生适应度变量，利用所述适应度预测模型确定各所述优秀新 生个体对应的适应度，并从中选取适应度较高的前L个优秀新生个体作为多个最 优新生个体，所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为 对应的最优新生基因变量；其中，L为正整数，且小于所述优秀新生个体的总数。

第二方面，本申请提供一种基于多种群遗传算法的网点分配比例寻优装置， 包括：

适应度确定单元，用于利用预先构建的适应度预测模型确定初始种群中的子 种群中的个体对应的适应度；其中，各所述个体由产品待调度网点的一组分配比 例组成；

初始基因变量确定单元，用于将各所述适应度对应的初始适应度变量转换为 初始基因变量；

子种群进化单元，用于利用所述初始基因变量完成对所述子种群的进化，得 到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量；

最优分配比例确定单元，用于根据预设的融合繁衍轮次，利用所述优秀基因 变量对所述优秀个体进行融合繁衍，得到最优网点分配比例。

进一步地，所述的基于多种群遗传算法的网点分配比例寻优装置，还包括：

训练种群获取单元，用于根据产品待调度网点的历史调度数据获取训练种群；

预测模型训练单元，用于将所述训练种群输入时间循环神经网络模型进行训 练，得到适应度预测模型。

进一步地，所述初始基因变量确定单元，包括：

第一转换队列输入模块，用于将所述初始适应度变量输入第一转换队列；

初始基因变量转换模块，用于利用第一转换线程，根据初始适应度变量与初 始基因变量之间的第一映射关系将所述第一转换队列中的所述初始适应度变量转 换为初始基因变量。

进一步地，所述子种群进化单元，具体用于：

对基因变量进行模拟二进制交叉及高斯变异，得到优秀个体及其对应的优秀 基因变量。

进一步地，所述最优分配比例确定单元，包括：

最优新生确定模块，用于根据所述融合繁衍轮次，利用所述优秀基因变量对 所述优秀个体进行融合繁衍，确定多个最优新生个体及其对应的最优新生基因变 量；

第二转换队列输入模块，用于将所述最优新生基因变量输入第二转换队列；

适应度变量转换模块，用于利用第二转换线程，根据最优新生适应度变量与 最优新生基因变量之间的第二映射关系将所述第二转换队列中的所述最优新生基 因变量转换为最优新生适应度变量；

最优分配比例确定模块，用于根据所述最优新生适应度变量，利用所述适应 度预测模型确定各所述最优新生个体对应的适应度，并从中选取适应度最高的一 个最优新生个体作为所述最优网点分配比例。

进一步地，所述最优新生确定模块，包括：

优秀新生确定子模块，用于当完成进化的子种群的数量达到预设的融合繁衍 数量时，对各所述子种群中的所述优秀个体对应的优秀基因变量进行模拟二进制 交叉及高斯变异，得到优秀新生个体及优秀新生基因变量；

第三转换队列输入子模块，用于将所述优秀新生基因变量输入第三转换队列；

优秀新生基因变量转换子模块，用于利用第三转换线程，根据优秀新生适应 度变量与优秀新生基因变量之间的第三映射关系将所述第三转换队列中的所述优 秀新生基因变量转换为优秀新生适应度变量；

最优新生确定子模块，用于根据所述优秀新生适应度变量，利用所述适应度 预测模型确定各所述优秀新生个体对应的适应度，并从中选取适应度较高的前L 个优秀新生个体作为多个最优新生个体，所述适应度较高的多个优秀新生个体对 应的优秀新生基因变量作为对应的最优新生基因变量；其中，L为正整数，且小于 所述优秀新生个体的总数。

第三方面，本申请提供一种电子设备包括存储器、处理器及存储在存储器上 并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于多 种群遗传算法的网点分配比例寻优方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序， 该计算机程序被处理器执行时实现所述基于多种群遗传算法的网点分配比例寻优 方法的步骤。

针对现有技术中的问题，本申请提供的基于多种群遗传算法的网点分配比例 寻优方法及装置，能够在高性能的计算体系下实现基于多种群遗传算法的并发设 计，提高算法性能及全局最优解搜索能力，更高效地调度分配金融机构各网点所 需的资源及产品。

附图说明

为了更清楚地说明本发明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 附图仅仅是本发明的一些实施例，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为本申请实施例中基于多种群遗传算法的网点分配比例寻优方法的流程 图；

图2为本申请实施例中构建适应度预测模型的流程图；

图3为本申请实施例中将初始适应度变量转换为初始基因变量的流程图；

图4为本申请实施例中得到最优网点分配比例的流程图；

图5为本申请实施例中确定最优新生个体及最优新生基因变量的流程图；

图6为本申请实施例中基于多种群遗传算法的网点分配比例寻优装置的结构 图之一；

图7为本申请实施例中基于多种群遗传算法的网点分配比例寻优装置的结构 图之二；

图8为本申请实施例中初始基因变量确定单元的结构图；

图9为本申请实施例中最优分配比例确定单元的结构图；

图10为本申请实施例中最优新生确定模块的结构图；

图11为本申请实施例中的电子设备的结构示意图；

图12为本申请实施例中的高性能计算节点的一种可行架构；

图13为本申请实施例中的网点分配比例寻优方法的实际执行的时序示例图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实 施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请提供的基于多种群遗传算法的网点分配比例寻优方法 及装置，可用于金融领域，也可用于除金融领域之外的任意领域，本申请提供的 基于多种群遗传算法的网点分配比例寻优方法及装置的应用领域不做限定。

参见图1，为了能够利用多种群遗传算法在并发高性能计算体系中求得最优网 点分配比例，在高性能的计算体系下实现基于多种群遗传算法的并发设计，提高 算法性能及全局最优解搜索能力，更高效地调度分配金融机构各网点所需的资源 及产品，本申请提供一种基于多种群遗传算法的网点分配比例寻优方法，包括：

S101：利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对 应的适应度；其中，各个体由产品待调度网点的一组分配比例组成；

可以理解的是，本申请实施例中所采用的多种群遗传算法执行于高性能的计 算体系下，在进行适应度变量与基因变量之间转换以及进行进化融合繁衍时，均 可采用高性能的计算体系下的并发执行机制。

具体地，在实际业务场景中，金融机构管理人员希望待分配的产品能够按最 优的分配比例配给待调度网点。为求得最优网点分配比例，需要在本申请所述的 多种群遗传算法中设立一的初始种群。为可以在不断的进化融合繁衍中获得更优 的新生个体，可以将初始种群划分为若干个子种群，使子种群分别完成进化，而 子种群中的个体则由产品待调度网点的一组分配比例组成。这些分配比例均满足 相同的约束条件，在本申请的一实施例中，该约束条件为各网点分配比例之和为1。

假设现有n个待调度网点，那么这一组分配比例应有n个组成元素，而初始 种群中则包含m组分配比例，从而构成一个m×n的初始种群矩阵。该初始种群矩 阵的每一行可以理解为一个初始适应度变量。将一组分配比例，也就是一个初始 适应度变量输入预先构建的适应度预测模型，可以得到该组分配比例对应的适应 度。

S102：将各适应度对应的初始适应度变量转换为初始基因变量；

可以理解的是，通过S101中的计算，各初始适应度变量分别对应有适应度， 利用初始适应度变量与初始基因变量之间的映射关系，可以将各适应度对应的初 始适应度变量转换为初始基因变量。

S103：利用初始基因变量完成对子种群的进化，得到子种群对应的优秀个体 及所述优秀个体对应的优秀基因变量；

可以理解的是，利用多种群遗传算法可以根据初始基因变量完成对初始种群 中各子种群的进化，具体的进化方法包括交叉及变异。典型的交叉方法包括但不 限于模拟二进制交叉；典型的变异方法包括但不限于高斯变异以及柯西变异。完 成交叉及变异后，可以得到各子种群对应的优秀个体及优秀个体对应的优秀基因 变量。

S104：根据预设的融合繁衍轮次，利用优秀基因变量对优秀个体进行融合繁 衍，得到最优网点分配比例。

可以理解的是，本申请实施例中会根据实际业务需要以及高性能计算体系的 计算能力预设融合繁衍轮次。需要说明的是，融合繁衍轮次越多，进化后形成的 个体就越优秀，也就是说更加接近最优网点分配比例。

具体地，在得到各子种群对应的优秀个体及优秀个体对应的优秀基因变量以 后，需要对各子种群中的优秀个体进行进一步地进化融合繁衍，从中得到最优秀 的新生个体，将其作为最优网点分配比例。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例， 在高性能的计算体系下实现基于多种群遗传算法的并发设计，提高算法性能及全 局最优解搜索能力，更高效地调度分配金融机构各网点所需的资源及产品。

参见图2，构建适应度预测模型的步骤，包括：

S201：根据产品待调度网点的历史调度数据获取训练种群；

S202：将训练种群输入时间循环神经网络模型进行训练，得到适应度预测模 型。

可以理解的是，产品待调度网点的历史调度数据保存有产品待调度网点的各 历史调度比例以及按照各历史调度比例进行调度后各网点对产品的利用情况。如 果利用情况较佳，则说明适应度较高。历史调度比例以及各网点对产品的利用情 况可以组成训练种群，以供时间循环神经网络模型训练。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够构建适应度预测模型。

参见图3，将各适应度对应的初始适应度变量转换为初始基因变量，包括：

S301：将初始适应度变量输入第一转换队列；

可以理解的是，在多种群遗传算法中，需要将初始适应度变量转换为初始基 因变量后才能进行进化融合繁衍。为此，需要将初始适应度变量输入第一转换队 列。这些初始适应度变量对应于S101中所述的初始种群中的子种群中的个体的适 应度。

S302：利用第一转换线程，根据初始适应度变量与初始基因变量之间的第一 映射关系将第一转换队列中的初始适应度变量转换为初始基因变量。

可以理解的是，在转换时，高性能计算体系中的高性能计算节点会设置多个 第一转换线程，这些第一转换线程采用并行执行方式在计算机后台循环处理第一 转换队列中的初始适应度变量，将初始适应度变量转成为初始基因变量。

需要说明的是，在转换前，首先要将初始种群划分为多个子种群，再分别针 对各子种群中的每一个体进行从初始适应度变量到初始基因变量的转换，划分时， 每个子种群中所包括的个体最好近似相等。另外，划分子种群只是为了方便线程 进行调度，从而实现并行计算操作，子种群在各自分配的转换线程中执行转换任 务。子种群除了可作为线程调度基本单位以外，还可作为执行进化中交叉及变异 等步骤的最小单元。

另需说明的是，在一优选的实施例中，初始基因变量从第一转换队列出来之 后，累计到F个，则可以组成新的子种群，调起进化线程，可以参见图12中的“转 换队列1”到“转换累计到一个子种群即调起”的图示。其中，F作为参数值，可 视并行度要求灵活而定。

还需说明的是，初始适应度变量与初始基因变量之间存在某种映射关系，本 申请不对映射关系本身进行限定，但为了说明本申请所述方法的可行性，现举一 实施例。一实施例中，设初始基因变量b＝(b

举例而言，假设初始基因变量b＝(0.7，0.6，0.3，0.36)，为了进行映射转换， 0.7，0.6，0.3，0.36这些十进制数字需要进行二进制转换，得到b基因组编码，b

表1

需要说明的是，将初始适应度变量转换为初始基因变量与将初始基因变量转 换为初始适应度变量，二者运算方向相反，但运算关系相同。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够将各适应度对应的初始适应度变量转换为初始基因变量。

在本申请实施例中，利用初始基因变量完成对子种群的进化，得到子种群对 应的优秀个体及优秀个体对应的优秀基因变量，包括：

对初始基因变量进行模拟二进制交叉及高斯变异，得到优秀个体及其对应的 优秀基因变量。

需要说明的是，种群的进化方法包括交叉及变异，交叉及变异所采用的具体 算法多种多样，本申请不对此做出限定。为了说明本申请所述方法的可行性，一 实施例中，可对初始基因变量进行模拟二进制交叉及高斯变异，得到优秀个体及 其对应的优秀基因变量。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够利用初始基因变量完成对子种群的进化，得到子种群对应的优秀个体及 优秀个体对应的优秀基因变量。

参见图4，根据预设的融合繁衍轮次，利用优秀基因变量对优秀个体进行融合 繁衍，得到最优网点分配比例，包括：

S401：根据融合繁衍轮次，利用优秀基因变量对优秀个体进行融合繁衍，确 定多个最优新生个体及其对应的最优新生基因变量；

可以理解的是，前文已经提及，在本申请实施例中会根据实际业务需要以及 高性能计算体系的计算能力预设融合繁衍轮次。需要说明的是，本申请实施例中 的初始种群被划分为多个子种群，在分别完成对各子种群的进化后，可以得到各 子种群对应的优秀个体以及优秀基因变量。此时，需要将各子种群对应的优秀个 体以及优秀基因变量进行融合繁衍，以求更优的进化效果，在融合繁衍时，仍然 可以采用模拟二进制交叉及高斯变异的进化方法，最终获得多个最优新生个体及 其对应的最优新生基因变量。

需要说明的是，每个子种群进化完成后产生的优秀个体可以为多个，本申请 不以此为限。

S402：将最优新生基因变量输入第二转换队列；

可以理解的是，找到多个最优新生个体及其对应的最优新生基因变量后，可 以将最优新生基因变量输入第二转换队列。所谓第二转换队列是指将最优新生基 因变量转换为最优新生适应度变量的队列。

S403：利用第二转换线程，根据最优新生适应度变量与最优新生基因变量之 间的第二映射关系将第二转换队列中的最优新生基因变量转换为最优新生适应度 变量；

可以理解的是，在转换时，高性能计算体系中的高性能计算节点会设置多个 第二转换线程，这些第二转换线程采用并行执行方式在计算机后台循环处理第二 转换队列中的最优新生基因变量，将最优新生基因变量转成为最优新生适应度变 量。

需要说明的是，在转换时，各子种群对应的最优新生基因变量可以利用第二 转换线程，实现并行计算操作，提高转换效率。

另需说明的是，最优新生基因变量与最优新生适应度变量之间存在某种映射 关系，本申请不对映射关系本身进行限定。其映射关系可与本申请实施例中S302 中所述的映射关系类似。

S404：根据最优新生适应度变量，利用适应度预测模型确定各最优新生个体 对应的适应度，并从中选取适应度最高的一个最优新生个体作为最优网点分配比 例。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够根据预设的融合繁衍轮次，利用优秀基因变量对优秀个体进行融合繁衍， 得到最优网点分配比例。

参见图5，根据融合繁衍轮次，利用优秀基因变量对优秀个体进行融合繁衍， 确定多个最优新生个体及其对应的最优新生基因变量，包括：

S501：每当完成进化的子种群的数量达到预设的融合繁衍数量时，就对各所 述子种群中的优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异，得 到优秀新生个体及优秀新生基因变量；

可以理解的是，每个子种群在进化完成后，都会生成优秀个体以及对应的优 秀基因变量。假设共有R个子种群，这些子种群在并行计算体系下的高性能计算 节点中进化时，完成进化的时间点可能存在差异，也就是说，R个子种群的进化 是陆陆续续完成的，而非同时完成的。这样当完成进化的子种群的数量达到预设 的融合繁衍数量K时，就可以对这些子种群中的优秀个体对应的优秀基因变量进 行模拟二进制交叉及高斯变异，得到这些子种群对应的优秀新生个体及优秀新生 基因变量；然后，再当完成进化的另外一些子种群的数量达到预设的融合繁衍数 量K时，就可以对这另外一些子种群中的优秀个体对应的优秀基因变量进行模拟 二进制交叉及高斯变异，得到这另外一些子种群对应的优秀新生个体及优秀新生 基因变量；以此类推可以将所有子种群对应的优秀个体对应的优秀基因变量进行 模拟二进制交叉及高斯变异，得到R个子种群整体对应的优秀新生个体及优秀新 生基因变量。这样做的优点在于可以提高融合繁衍效率。需要说明的是，本申请 实施例可以采用计数器统计完成融合繁衍的子种群数量何时达到融合繁衍数量K。

S502：将优秀新生基因变量输入第三转换队列；

S503：利用第三转换线程，根据优秀新生适应度变量与优秀新生基因变量之 间的第三映射关系将第三转换队列中的优秀新生基因变量转换为优秀新生适应度 变量；

可以理解的是，在转换时，高性能计算体系中的高性能计算节点会设置多个 第三转换线程，这些第三转换线程采用并行执行方式在计算机后台循环处理第三 转换队列中的优秀新生基因变量，将优秀新生基因变量转成为优秀新生适应度变 量。

需要说明的是，在转换时，各子种群对应的优秀新生基因变量可以利用第三 转换线程，实现并行计算操作，提高转换效率。

另需说明的是，优秀新生基因变量与优秀新生适应度变量之间存在某种映射 关系，本申请不对映射关系本身进行限定。其映射关系可与本申请实施例中S302 中所述的映射关系类似。

还需说明的是，在一优选的实施例中，初始基因变量从第三转换队列出来之 后，累计到F个，则可以组成新的子种群，调起适应度计算线程，可以参见图12 中的“转换队列2”到“转换累计到一个子种群即调起”的图示。其中，F作为参 数值，可视并行度要求灵活而定。

S504：根据优秀新生适应度变量，利用适应度预测模型确定各优秀新生个体 对应的适应度，并从中选取适应度较高的前L个优秀新生个体作为多个最优新生 个体，所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为对应的 最优新生基因变量；其中，L为正整数，且小于所述优秀新生个体的总数。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够根据融合繁衍轮次，利用优秀基因变量对优秀个体进行融合繁衍，确定 多个最优新生个体及其对应的最优新生基因变量。

需要说明的是，本发明要解决的技术问题是提供一种带约束条件的多种群遗 传算法下的并行计算体系。通过在高性能的并行计算体系下，进行满足约束条件 的适应度计算，可以极限提高运算性能以及最优解的全局搜索能力，能够更快更 有效地分配金融机构各网点的所需资源及产品。

另需说明的是，图12示出了本申请实施例中高性能计算节点中的软硬件各部 分的一种可行架构。在本图中，“任务”为调起的“过程”进入任务队列后的更 名。并行的机制是基于任务的。所有的任务，都处于总上下文中。当任务队列中 一个任务的依赖条件得到满足，系统又有空余的计算资源(比如线程池有空余线 程)时，则该任务可以运行，任务执行完毕后则释放资源。转换过程初始化后， 即循环执行相应的任务，处理对应的转换队列中的数据，可以根据转换过程的相 对复杂程度设置循环执行的任务数量，以保证时效性。

还需说明的是，“高性能计算节点”的结构图可以参见图13，图13为算法实 际执行的时序示例图。本申请实施例中的计算平台由多个高性能计算节点组成， 每个节点处理一类产品，比如节点2专门处理某地区内产品2的分配比例计算， 其他节点以此类推。通常而言，单一节点的计算性能非常高，可以配置24核-80 核的处理器，内存参数可以达到512G-2TB。因为各节点的计算相对独立，所以节 点间没有I/O连接需求。通过按列存储方式可以将数据表压缩存放内存，避免数据 分析过程中缓慢的I/O过程及格式转换导致效率降低。

此外，计算引擎部分可以通过软件实现，主要组成部分为基于任务的并行调 度系统。所有的任务都被置于一个上下文中，每个任务有其依赖的数据并请求一 个线程资源。内存计算平台的共享内存机制降低了子种群进行融合的系统开销， 也为频繁的任务多线程调度提供了基础。

基于同一发明构思，本申请实施例还提供了一种基于多种群遗传算法的网点 分配比例寻优装置，可以用于实现上述实施例所描述的方法，如下面的实施例所 述。由于基于多种群遗传算法的网点分配比例寻优装置解决问题的原理与基于多 种群遗传算法的网点分配比例寻优方法相似，因此基于多种群遗传算法的网点分 配比例寻优装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不 再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/ 或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件， 或者软件和硬件的组合的实现也是可能并被构想的。

参见图6，为了能够利用多种群遗传算法在并发高性能计算体系中求得最优网 点分配比例，在高性能的计算体系下实现基于多种群遗传算法的并发设计，提高 算法性能及全局最优解搜索能力，更高效地调度分配金融机构各网点所需的资源 及产品，本申请提供一种基于多种群遗传算法的网点分配比例寻优装置，包括：

适应度确定单元601，用于利用预先构建的适应度预测模型确定初始种群中的 子种群中的个体对应的适应度；其中，各所述个体由产品待调度网点的一组分配 比例组成；

初始基因变量确定单元602，用于将各所述适应度对应的初始适应度变量转换 为初始基因变量；

子种群进化单元603，用于利用所述初始基因变量完成对所述子种群的进化， 得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量；

最优分配比例确定单元604，用于根据预设的融合繁衍轮次，利用所述优秀基 因变量对所述优秀个体进行融合繁衍，得到最优网点分配比例。

参见图7，所述的基于多种群遗传算法的网点分配比例寻优装置，还包括：

训练种群获取单元701，用于根据产品待调度网点的历史调度数据获取训练种群；

预测模型训练单元702，用于将所述训练种群输入时间循环神经网络模型进行 训练，得到适应度预测模型。

参见图8，初始基因变量确定单元602，包括：

第一转换队列输入模块801，用于将所述初始适应度变量输入第一转换队列；

初始基因变量转换模块802，用于利用第一转换线程，根据初始适应度变量与 初始基因变量之间的第一映射关系将所述第一转换队列中的所述初始适应度变量 转换为初始基因变量。

在本申请实施例中，子种群进化单元603，具体用于：

对基因变量进行模拟二进制交叉及高斯变异，得到优秀个体及其对应的优秀 基因变量。

参见图9，最优分配比例确定单元604，包括：

最优新生确定模块901，用于根据所述融合繁衍轮次，利用所述优秀基因变量 对所述优秀个体进行融合繁衍，确定多个最优新生个体及其对应的最优新生基因 变量；

第二转换队列输入模块902，用于将所述最优新生基因变量输入第二转换队列；

适应度变量转换模块903，用于利用第二转换线程，根据最优新生适应度变量 与最优新生基因变量之间的第二映射关系将所述第二转换队列中的所述最优新生 基因变量转换为最优新生适应度变量；

最优分配比例确定模块904，用于根据所述最优新生适应度变量，利用所述适 应度预测模型确定各所述最优新生个体对应的适应度，并从中选取适应度最高的 一个最优新生个体作为所述最优网点分配比例。

参见图10，最优新生确定模块901，包括：

优秀新生确定子模块1001，用于当完成进化的子种群的数量达到预设的融合 繁衍数量时，对各所述子种群中的所述优秀个体对应的优秀基因变量进行模拟二 进制交叉及高斯变异，得到优秀新生个体及优秀新生基因变量；

第三转换队列输入子模块1002，用于将所述优秀新生基因变量输入第三转换 队列；

优秀新生基因变量转换子模块1003，用于利用第三转换线程，根据优秀新生 适应度变量与优秀新生基因变量之间的第三映射关系将所述第三转换队列中的所 述优秀新生基因变量转换为优秀新生适应度变量；

最优新生确定子模块1004，用于根据所述优秀新生适应度变量，利用所述适 应度预测模型确定各所述优秀新生个体对应的适应度，并从中选取适应度较高的 前N个优秀新生个体作为多个最优新生个体，所述适应度较高的多个优秀新生个 体对应的优秀新生基因变量作为对应的最优新生基因变量；其中，N为正整数， 且小于所述优秀新生个体的总数。

从硬件层面来说，为了能够利用多种群遗传算法在并发高性能计算体系中求 得最优网点分配比例，在高性能的计算体系下实现基于多种群遗传算法的并发设 计，提高算法性能及全局最优解搜索能力，更高效地调度分配金融机构各网点所 需的资源及产品，本申请提供一种用于实现所述基于多种群遗传算法的网点分配 比例寻优方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含 有如下内容：

处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯； 所述通讯接口用于实现所述基于多种群遗传算法的网点分配比例寻优装置与核心 业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器 可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中， 该逻辑控制器可以参照实施例中的基于多种群遗传算法的网点分配比例寻优方法 的实施例，以及基于多种群遗传算法的网点分配比例寻优装置的实施例进行实施， 其内容被合并于此，重复之处不再赘述。

可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶 盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。 其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，基于多种群遗传算法的网点分配比例寻优方法的部分可以在 如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完 成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行 选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客 户端设备还可以包括处理器。

上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进 行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心 一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调 度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括 单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的 服务器结构。

图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示， 该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中 央处理器9100。值得注意的是，该图11是示例性的；还可以使用其他类型的结构， 来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，基于多种群遗传算法的网点分配比例寻优方法功能可以被集成 到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

S101：利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对 应的适应度；其中，各所述个体由产品待调度网点的一组分配比例组成；

S102：将各所述适应度对应的初始适应度变量转换为初始基因变量；

S103：利用所述初始基因变量完成对所述子种群的进化，得到子种群对应的 优秀个体及所述优秀个体对应的优秀基因变量；

S104：根据预设的融合繁衍轮次，利用所述优秀基因变量对所述优秀个体进 行融合繁衍，得到最优网点分配比例。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例， 在高性能的计算体系下实现基于多种群遗传算法的并发设计，提高算法性能及全 局最优解搜索能力，更高效地调度分配金融机构各网点所需的资源及产品。

在另一个实施方式中，基于多种群遗传算法的网点分配比例寻优装置可以与 中央处理器9100分开配置，例如可以将数据复合传输装置基于多种群遗传算法的 网点分配比例寻优装置配置为与中央处理器9100连接的芯片，通过中央处理器的 控制来实现基于多种群遗传算法的网点分配比例寻优方法的功能。

如图11所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、 音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并 不是必须要包括图11中所示的所有部件；此外，电子设备9600还可以包括图11 中没有示出的部件，可以参考现有技术。

如图11所示，中央处理器9100有时也称为控制器或操作控件，可以包括微 处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子 设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性 存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败 有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该 存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或 触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行 图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存 储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息， 可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存 储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有 时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储 部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据， 例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储 器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行 电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通 讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输 出信号，这可以和常规移动通讯终端的情况相同。

基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110， 如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机) 9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131 提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。 音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处 理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机 上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端 的基于多种群遗传算法的网点分配比例寻优方法中全部步骤的一种计算机可读存 储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器 执行时实现上述实施例中的执行主体为服务器或客户端的基于多种群遗传算法的 网点分配比例寻优方法的全部步骤，例如，所述处理器执行所述计算机程序时实 现下述步骤：

S101：利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对 应的适应度；其中，各所述个体由产品待调度网点的一组分配比例组成；

S102：将各所述适应度对应的初始适应度变量转换为初始基因变量；

S103：利用所述初始基因变量完成对所述子种群的进化，得到子种群对应的 优秀个体及所述优秀个体对应的优秀基因变量；

S104：根据预设的融合繁衍轮次，利用所述优秀基因变量对所述优秀个体进 行融合繁衍，得到最优网点分配比例。

从上述描述可知，本申请提供的基于多种群遗传算法的网点分配比例寻优方 法，能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例， 在高性能的计算体系下实现基于多种群遗传算法的并发设计，提高算法性能及全 局最优解搜索能力，更高效地调度分配金融机构各网点所需的资源及产品。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算 机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软 件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计 算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、 光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的 流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图 中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提 供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程 数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理 设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图 一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以 特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令 产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或 方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得 在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从 而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多 个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实 施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之 处，综上所述，本说明书内容不应理解为对本发明的限制。