一种基于遗传算法的任务处理方法、装置及电子设备与流程

本文件涉及数据处理
技术领域：
，尤其涉及一种基于遗传算法的任务处理方法、装置及电子设备。
背景技术：
：目前的业务系统经常产生出大量的风险任务。在资源有限的情况下，这些风险任务无法得到全部处理，因此会挑选出其中一部分有价值的任务进行处理。目前的挑选方式主要有两种，一种穷尽搜索的挑选，这种方式会遍历每个任务并进行比较，然后计算出最优解，当任务量较多数，执行效率过低。另一种是基于贪心算法的搜索，这种方式始终选择当前点的邻居中离目标最近者的方向搜索，虽然执行效率较高，但往往陷入局部极值，无法精准搜索到全局的最优解。为此，当前亟需一种解决方案，能够提高业务系统挑选待处理风险任务的执行效率以及最优解的概率。技术实现要素：本说明书实施例目的是提供一种基于遗传算法的任务处理方法、装置及电子设备，能够提高业务系统挑选待处理风险任务的执行效率和最优解概率。为了实现上述目的，本说明书实施例是这样实现的：第一方面，提供一种基于遗传算法的任务处理方法，包括：以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定所述候选风险任务集合中的至少两种风险任务处理安排结果，其中，所述候选风险任务集合中的所有候选风险任务的总处理代价系数大于所述处理代价系数上限；对所述至少两种风险任务处理安排结果进行基因编码，得到所述至少两种风险任务处理安排结果基因编码后所组成的初始种群；基于遗传算法，对所述初始种群进行多轮迭代的遗传运算，得到目标种群，其中，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关；按照目标种群中的目标优质个体表征的风险任务处理安排结果，对所述候选风险任务集合中的候选风险任务进行处理，其中，所述候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。第二方面，提供一种基于遗传算法的任务处理装置，包括：处理安排模块，以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定所述候选风险任务集合中的至少两种风险任务处理安排结果，其中，所述候选风险任务集合中的所有候选风险任务的总处理代价系数大于所述处理代价系数上限；基因编码模块，对所述至少两种任务处理安排结果进行基因编码，得到所述至少两种任务处理安排结果基因编码后所组成的初始种群，其中，所述初始种群中的个体与所述至少两种任务处理安排结果一一对应，且每个个体所包含的基因与所述候选风险任务集合中的候选风险任务一一对应，基因的取值用于表征对应的候选风险任务是否被确定为目标任务；遗传运算模块，基于遗传算法，对所述初始种群进行多轮迭代的遗传运算，得到目标种群，其中，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关；任务处理模块，按照目标种群中的目标优质个体表征的风险任务处理安排结果，对所述候选风险任务集合中的候选风险任务进行处理，其中，所述候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。第三方面，提供一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定所述候选风险任务集合中的至少两种风险任务处理安排结果，其中，所述候选风险任务集合中的所有候选风险任务的总处理代价系数大于所述处理代价系数上限；对所述至少两种风险任务处理安排结果进行基因编码，得到所述至少两种风险任务处理安排结果基因编码后所组成的初始种群；基于遗传算法，对所述初始种群进行多轮迭代的遗传运算，得到目标种群，其中，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关；按照目标种群中的目标优质个体表征的风险任务处理安排结果，对所述候选风险任务集合中的候选风险任务进行处理，其中，所述候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。第四方面，提供一种算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定所述候选风险任务集合中的至少两种风险任务处理安排结果，其中，所述候选风险任务集合中的所有候选风险任务的总处理代价系数大于所述处理代价系数上限；对所述至少两种风险任务处理安排结果进行基因编码，得到所述至少两种风险任务处理安排结果基因编码后所组成的初始种群；基于遗传算法，对所述初始种群进行多轮迭代的遗传运算，得到目标种群，其中，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关；按照目标种群中的目标优质个体表征的风险任务处理安排结果，对所述候选风险任务集合中的候选风险任务进行处理，其中，所述候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。本说明书实施例的方案对业务系统规划产出的候选风险任务设置相对应的处理代价系数和处理效益系数。首先，以符合业务系统的处理能力的处理代价系数上限为约束，确定出几种初选的风险任务处理安排结果。之后，基于遗传算法，对这些初选的风险任务处理安排结果进行多轮迭代的遗传运算，高效衍生出其他可行的风险任务处理安排结果。在运算过程中，风险任务处理安排结果的总处理代价系数越高，则适应度越低，因此能够满足处理代价系数上限的风险任务处理安排结果更容易得到存活。最终，在遗传运算结束后，按照总处理效益系数来筛选优质的任务处理安排结果，并进行应用，使得业务系统利用有限的资源，实现更高的任务处理收益。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，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书实施例提供的任务处理方法的流程示意图。图2为本说明书实施例提供的任务处理方法在遗传预算时使用轮盘赌选择法的示意图。图3为本说明书实施例提供的任务处理方法在遗传预算时进行基因交叉的示意图。图4为本说明书实施例提供的任务处理方法在遗传预算时进行基因变异的示意图。图5为本说明书实施例提供的任务处理装置的结构示意图。图6为本说明书实施例提供的电子设备的结构示意图。具体实施方式为了使本
技术领域：
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。如前所述，在很多场景下，当业务系统没有能力全部处理掉在规划产出的风险任务时，只能从中挑选出一部分有价值的任务进行择优处理。传统挑选方式主要有两种：一种穷尽搜索的挑选，这种方式会遍历每个风险任务并进行比较，然后计算出最优解，当风险任务数量较多数，执行效率过低。另一种是基于贪心算法的搜索，这种方式始终选择当前点的邻居中离目标最近者的方向搜索，虽然执行效率较高，但往往陷入局部极值，无法精准搜索到全局的最优解。在此背景下，本文提供一种可解决方案。图1是本说明书实施例基于遗传算法的任务处理方法的流程图。图1所示的方法可以由下文相对应的装置执行，包括：步骤s102，以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定候选风险任务集合中的至少两种风险任务处理安排结果，候选风险任务集合中的所有候选风险任务的总处理代价系数大于处理代价系数上限。应理解，候选风险任务集合包含有业务系统尚未处理的候选风险任务。每个候选风险任务均对应的处理代价系数，处理代价系数表征处理对应的候选风险任务所消耗的资源，比如时间资源和/人力资源。在本说明书实施例中，业务系统无法处理掉候选风险任务集合中的所有候选风险任务。为此，应根据业务系统的处理能力，有选择性地从候选风险任务中挑选需要处理的候选风险任务。作为示例性介绍，假设当前候选风险任务集合有候选风险任务1(处理代价系数为4)、候选风险任务2(处理代价系数为2)、候选风险任务3(处理代价系数为2)、候选风险任务4(处理代价系数为5)和候选风险任务5(处理代价系数为1)。如果根据业务系统的处理能力，量化出处理代价系数上限为6，则在不超出处理代价系数上限的前提下，所确定得到的任务处理安排结果有以下几种情况下：风险任务处理安排结果1：候选风险任务1、候选风险任务2需要进行处理，对应的总处理代价系数为：6。风险任务处理安排结果2：候选风险任务1、候选风险任务3需要进行处理，对应的总处理代价系数为：6。任务处理安排结果3：候选风险任务1、候选风险任务5需要进行处理，对应的总处理代价系数为：5。风险任务处理安排结果4：候选风险任务2、候选风险任务3、候选风险任务5需要进行处理，对应的总处理代价系数为：5。风险任务处理安排结果5：候选风险任务2、候选风险任务5需要进行处理，对应的总处理代价系数为：3。风险任务处理安排结果6：候选风险任务3、候选风险任务5需要进行处理，对应的总处理代价系数为：3。当然，在实际应用中，还可在上述基础上进一步添加约束条件，以精简任务处理安排结果。比如，进一步按照选取到的目标任务的总处理效益系数最大化的策略，对从候选风险任务集合中选取出需要处理的目标任务进行求解。像上述任务处理安排结果4、5、6中的任务处理安排结果5、6均未使总处理效益系数最大化，因此可以被排除。步骤s104，对上述至少两种风险任务处理安排结果进行基因编码，得到上述至少两种风险任务处理安排结果基因编码后所组成的初始种群。其中，初始种群中的个体与上述至少两种风险任务处理安排结果一一对应，且每个个体所包含的基因与候选任务集合中的候选任务一一对应，基因的取值用于表征对应的候选任务是否被确定需要处理。为方便理解，以一个任务处理按作为示例性介绍：假设某个风险任务处理安排结果包含有候选风险任务1、候选风险任务2、候选风险任务3和候选风险任务4，其中只有候选风险任务1、4确定需要处理，如果通过二进制来按序表示候选风险任务是否需要处理，则该风险任务处理安排结果经基因编码为(1001)，作为初始种群中的一个个体。步骤s106，基于遗传算法，对初始种群进行多轮迭代的遗传运算，得到目标种群，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关。应理解，基于上述多轮迭代的遗传运算，适应度较低的个体的存活几率较小，使得在满足处理代价系数上限的方向上对可能的风险任务处理安排结果进行搜索。具体地，每轮迭代的遗传运算包括：基于适应度的轮盘赌选择法，从本轮次的种群中选取出亲本个体；基于亲本个体进行交叉运算，得到新生个体；若目标新生个体的总处理代价系数未超出处理代价系数上限，则确定本轮次的种群中是否存在总处理效益系数小于所述目标新生个体的目标原有个体；若存在，则将本轮次的种群中的目标原有个体换为所述目标新生个体，得到下一轮次的种群；若不存在，或者，所有新生个体的总处理代价系数均超出处理代价系数上限，则将本轮次的种群沿用作为下一轮的种群。基于上述遗传运算的方法，种群中的个体按照总处理代价系数和总处理效益系数优胜淘汰，由于个体的数量不会增长，因此保证了每轮遗传运算的不会占用较多的处理资源，具有较高的实用性。此外，为了避免遗传运算陷入局部最优解，在上述至少一轮迭代的遗传运算过程中，还可以从本轮次的种群中选取预设比例的个体进行基因变异。应理解，基因变异的方式并不唯一，本文对此不作具体限定。步骤s108，按照目标种群中的目标优质个体表征的风险任务处理安排结果，对候选风险任务集合中的候选风险任务进行处理，候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。应理解，在经过多轮迭代后，目标种群中的个体会逼近以处理代价上限为约束，按照选取到的需要处理的候选风险任务的总处理效益系数最大化的策略，确定候选风险任务集合中的风险任务处理安排结果的最优解。具体地，本步骤中，可以从目标种群的优质个体中，选取出总处理效益系数最大的个体作为目标优质个体，从而最大化风险任务处理收益。本说明书实施例的任务处理方法对业务系统规划产出的候选风险任务设置相对应的处理代价系数和处理效益系数。首先，以符合业务系统的处理能力的处理代价系数上限为约束，确定出几种初选的风险任务处理安排结果。之后，基于遗传算法，对这些初选的风险任务处理安排结果进行多轮迭代的遗传运算，高效衍生出其他可行的风险任务处理安排结果。在运算过程中，风险任务处理安排结果的总处理代价系数越高，则适应度越低，因此能够满足处理代价系数上限的风险任务处理安排结果更容易得到存活。最终，在遗传运算结束后，按照总处理效益系数来筛选优质的任务处理安排结果，并进行应用，使得业务系统利用有限的资源，实现更高的任务处理收益。由此可见，本说明书实施例的方法可以使业务系统根据自身的处理能力，对当前规划产生任务集合进行自适应挑选处理。为更深刻了解本说明书实施例的方法，下面结合实际的应用场景本说明书实施例的原理进行示例性介绍。在本应用场景中，业务系统具体为反洗钱系统，候选风险任务都属于金融风险任务。反洗钱系统在规则产出风险任务后，由于运营人力限制，不能全部进行处理，因此需要在运营人力处理范围的内，实现风险任务处理收益最大化。其中，对应的流程包括以下步骤：根据风险任务所需要的人力确定风险任务的处理代价系数，根据风险任务的风险权重确定风险任务的处理效益系数。其中，处理代价系数根据风险任务所对应的业务类型的平均处理时长计算得出。处理效益系数可以根据多维的风险评估体系对风险任务的风险程度进行综合打分得到。假设，本应场景中反洗钱系统规划产出的风险任务及如下表所示：项目处理收益系数处理效代价数风险任务11515风险任务237风险任务3210风险任务455风险任务598风险任务62017基于上表进行问题建模：假设处理代价系数上限为30，最大化处理效益系数挑选出需要处理的目标风险任务。按照上述模型进行求解(不需要穷举)，得到以下几种初始的任务处理安排结果：a1：风险任务1(处理)、风险任务2(不处理)、风险任务3(不处理)、风险任务4(处理)、风险任务5(处理)和风险任务6(不处理)。a2：风险任务1(不处理)、风险任务2(不处理)、风险任务3(处理)、风险任务4(处理)、风险任务5(处理)和风险任务6(不处理)。a3：风险任务1(不处理)、风险任务2(处理)、风险任务3(不处理)、风险任务4(处理)、风险任务5(不处理)和风险任务6(不处理)。a4：风险任务1(不处理)、风险任务2(处理)、风险任务3(处理)、风险任务4(不处理)、风险任务5(不处理)和风险任务6(处理)。在确定出初始的任务处理安排结果后，对a1至a4进行基因编码，得到进行遗传运算前的初始种群：a1：(100110)、a2：(001110)、a3：(010100)、a4：(011001)。其中，a1至a4作为初始种群的个体。这些个体中的基因是按照风险任务1至风险任务6的顺序进行排序，1表示处理，0表示不处理。以a1：(100110)为例，从基因中可以确定出风险任务1、风险任务4和风险任务5需要处理，与上述a1所表示的任务处理安排结果一致。接下来，计算a1至a4的适应度。假设个体的适应度是个体中需要处理的任务的总处理代价的倒数(只要个体的适应度与个体中需要处理的任务的总处理代价呈负相关即可)，则:a1:(100110)的适应度＝1/(15×1+7×0+10×0+5×1+8×1+17×0)＝1/28。a2:(001110)的适应度＝1/(15×0+7×0+10×1+5×1+8×1+17×0)＝1/23。a3:(010100)的适应度＝1/(15×0+7×1+10×0+5×1+8×0+17×0)＝1/12。a4:(011001)的适应度＝1/(15×0+7×1+10×1+5×0+8×0+17×1)＝1/34。之后，基于适应度对初始种群进行遗传运算。假设，本应用场景基于轮盘赌选择法(roulettewheelselectionmethod)来从初始种群中挑选亲本个体。这里，每个个体被轮盘赌选择法选取作为亲本个体的概率与适应度呈正相关，也就是个体的适应度越高，被轮盘赌选择法选取作为亲本个体的概率越大。a1作为亲本个体的概率＝(1/28)/(1/28+1/23+1/12+1/34)≈18.4％。a2作为亲本个体的概率＝(1/23)/(1/28+1/23+1/12+1/34)≈22.6％。a3作为亲本个体的概率(1/12)/(1/28+1/23+1/12+1/34)≈43.7％。a4作为亲本个体的概率(1/34)/(1/28+1/23+1/12+1/34)≈15.3％。将上述个体a1至a4按照作为亲本个体的概率，转换为图2所示的转盘。基于轮盘赌选择法，可以对这个轮盘进行两次旋转，这两次旋转结束后指针所指到的个体确定为亲本个体。通过上述这种方式可以在本轮遗传运算中选取出两个亲本个体。假设本轮选取a2和a3作为亲本个体，则如图3所示，对a2和a3中的第2至第4位基因进行交叉(需要交换的基因可自由设置)，得到新生代的个体a5a5:(010110)和a6:(001100)。之后计算得到a5:(010110)的总处理代价系数为20，总处理收益系数为17，a6:(001100)的总处理代价系数为15，总处理收益系数为5。通过对比可以发现，a5:的总处理代价系数小于处理代价系数上限(30)，且总处理收益系数大于a3(7)，则将a5替换掉a3；而a6:(001100)总处理代价系数虽然小于处理代价系数上限(30)，但总处理收益系数为比a2和a3都要小，则本轮忽略掉a5。即，本轮新生的种群为(a1、a2、a4和a5)。之后，进入一下轮遗传算法，在当前的种群中挑选出新的亲本个体进行基因交叉操作，以衍生新的种群，直至达到下述遗传运算的结束条件：在本轮次的种群的最优个体的适应度达到预设适应度要求；近预设轮次的种群中的最优个体的适应度不再变化；迭代轮次达到预设迭代次数。当然，在上述至少一轮迭代的遗传运算中，还可以对种群中的个体进行基因变异，例如，还是基于轮盘赌选择法选取出需要变异的个体，假设a2需要变异，则可以按照图4所示那样对其第2位和第3位的基因进行变异，在a2基因变异后，先确定总处理代价系数总是否超出处理代价系数上限(30)，若未超过超出处理代价系数上限，则确定变异后的总处理收益系数是否大于变异前的总处理收益系数。若变异后的总处理收益系数大于变异前的总处理收益系数，则变异生效，否则将a2恢复会基因变异前的状态。显然，基于上述多轮迭代的遗传运算，最终可以繁衍出总处理代价系数符合处理代价系数上限，且总处理收益系数更大的任务处理安排结果。在迭代结束后，从当期种群中选取一个总处理收益系数最大的个体确定为目标任务处理安排结果，反洗钱系统按照目标任务处理安排结果对候选风险任务集合进行处理。综上所述，当本说明书实施例的方法应用于反洗钱系统时，可以在风险任务高并发的情况下，控制反洗钱系统利用当前处理资源，效益最大化地处理风险任务。与上述任务处理方法相对应地，本说明书实施例还提供一种任务处理装置。图5为本说明书实施例任务处理装置500的结构示意图，包括：处理安排模块510，以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定所述候选风险任务集合中的至少两种风险任务处理安排结果，其中，所述候选风险任务集合中的所有候选风险任务的总处理代价系数大于所述处理代价系数上限。基因编码模块520，对所述至少两种任务处理安排结果进行基因编码，得到所述至少两种任务处理安排结果基因编码后所组成的初始种群，其中，所述初始种群中的个体与所述至少两种任务处理安排结果一一对应，且每个个体所包含的基因与所述候选风险任务集合中的候选风险任务一一对应，基因的取值用于表征对应的候选风险任务是否被确定为目标任务。遗传运算模块530，基于遗传算法，对所述初始种群进行多轮迭代的遗传运算，得到目标种群，其中，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关。任务处理模块540，按照目标种群中的目标优质个体表征的风险任务处理安排结果，对所述候选风险任务集合中的候选风险任务进行处理，其中，所述候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。本说明书实施例的任务处理装置对业务系统规划产出的候选风险任务设置相对应的处理代价系数和处理效益系数。首先，以符合业务系统的处理能力的处理代价系数上限为约束，确定出几种初选的风险任务处理安排结果。之后，基于遗传算法，对这些初选的风险任务处理安排结果进行多轮迭代的遗传运算，高效衍生出其他可行的风险任务处理安排结果。在运算过程中，风险任务处理安排结果的总处理代价系数越高，则适应度越低，因此能够满足处理代价系数上限的风险任务处理安排结果更容易得到存活。最终，在遗传运算结束后，按照总处理效益系数来筛选优质的任务处理安排结果，并进行应用，使得业务系统利用有限的资源，实现更高的任务处理收益。可选地，处理安排模块510在执行时，具体以预设的处理代价上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，按照选取到的需要处理的候选风险任务的总处理效益系数最大化的策略，确定所述候选风险任务集合中的至少两种风险任务处理安排结果。可选地，所述候选风险任务集合中的各个候选风险任务为金融风险任务，候选风险任务的处理代价系数是基于处理候选风险任务所需要的时间和/或人力确定得到的，候选风险任务的处理效益系数是基于候选风险任务所对应的金融风险等级确定得到的。可选地，所述目标优质个体是所述目标种群中总处理效益系数最大的优质个体。可选地，每轮迭代的遗传运算包括：基于适应度的轮盘赌选择法，从本轮次的种群中选取出亲本个体；基于亲本个体进行交叉运算，得到新生个体；若目标新生个体的总处理代价系数未超出所述处理代价系数上限，则确定本轮次的种群中是否存在总处理效益系数小于所述目标新生个体的目标原有个体；若存在，则将本轮次的种群中的目标原有个体换为所述目标新生个体，得到下一轮次的种群；若不存在，或者，所有新生个体的总处理代价系数均超出所述处理代价系数上限，则将本轮次的种群沿用作为下一轮的种群。可选地，至少一轮迭代的遗传运算包括：从本轮次的种群中选取预设比例的个体进行基因变异。可选地，所述多轮迭代的遗传运算的结束条件包括以下至少一者：在本轮次的种群的最优个体的适应度达到预设适应度要求；近预设轮次的种群中的最优个体的适应度不再变化；迭代轮次达到预设迭代次数。显然，本说明书实施例的任务处理装置可以作为上述图1所示的任务处理方法的执行主体，因此该任务处理装置能够实现方法在图1至图4所实现的功能。由于原理相同，本文不再赘述。图6是本说明书的一个实施例电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成任务处理装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定所述候选风险任务集合中的至少两种风险任务处理安排结果，其中，所述候选风险任务集合中的所有候选风险任务的总处理代价系数大于所述处理代价系数上限；对所述至少两种风险任务处理安排结果进行基因编码，得到所述至少两种风险任务处理安排结果基因编码后所组成的初始种群；基于遗传算法，对所述初始种群进行多轮迭代的遗传运算，得到目标种群，其中，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关；按照目标种群中的目标优质个体表征的风险任务处理安排结果，对所述候选风险任务集合中的候选风险任务进行处理，其中，所述候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。上述如本说明书图1所示实施例揭示的任务处理方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。应理解，本说明书实施例的电子设备可以实现上述任务处理装置在图1至图4所示的实施例的功能，本文不再赘述。当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。此外，本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下方法：处理安排模块，以预设的处理代价系数上限为约束，基于候选风险任务集合中各候选风险任务对应的处理代价系数，确定所述候选风险任务集合中的至少两种风险任务处理安排结果，其中，所述候选风险任务集合中的所有候选风险任务的总处理代价系数大于所述处理代价系数上限；基因编码模块，对所述至少两种任务处理安排结果进行基因编码，得到所述至少两种任务处理安排结果基因编码后所组成的初始种群，其中，所述初始种群中的个体与所述至少两种任务处理安排结果一一对应，且每个个体所包含的基因与所述候选风险任务集合中的候选风险任务一一对应，基因的取值用于表征对应的候选风险任务是否被确定为目标任务；遗传运算模块，基于遗传算法，对所述初始种群进行多轮迭代的遗传运算，得到目标种群，其中，每轮遗传运算中，目标个体被选取为亲本个体的概率与目标个体的适应度相匹配，目标个体的适应度与目标个体的总处理代价系数呈负相关；任务处理模块，按照目标种群中的目标优质个体表征的风险任务处理安排结果，对所述候选风险任务集合中的候选风险任务进行处理，其中，所述候选风险任务集合中各候选风险任务对应有处理效益系数，优质个体为总处理效益系数达到预设处理效益要求的个体。应理解，上述指令当被包括多个应用程序的便携式电子设备执行时，能够使上文所述的基于遗传算法的任务处理装置实现图1至图3所示实施例的功能，本文不再赘述。本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。此外，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。当前第1页12