基于遗传算法和粒子群算法的智能工单分配坐席的方法与流程

本发明涉及数据处理，特别是基于遗传算法和粒子群算法的智能工单分配坐席的方法。

背景技术：

1、智能工单分配坐席任务通常需要在满足约束条件的情况下，以最高效率完成。然而，由于目标函数和约束条件会随着需求的变化而不断变化，因此每次设计好的模型都需要重新调整，而且公式计算也往往较为复杂，难以被非技术专业人员理解。

2、相对于传统工单分配方法，基于遗传算法和粒子群算法有以下更好的地方：

3、1. 随机性：智能工单分配坐席基于遗传算法和粒子群算法进行工单分配，可以保证工单分配坐席结果的均衡性与公平、公正性。

4、 2. 适应性：智能工单分配坐席方法基于粒子群算法进行优化，可以根据不同的数据环境和坐席工单分配需求实时调整分配方案，以达到最优的工单分配效果。同时，该方法还可以根据坐席的需求和特殊情况进行分配调整，提高工单分配的灵活性和适应性。

5、3. 自动化：智能工单分配坐席方法能够自动化地完成工单分配，减少人工干预，提高工单分配的高效性。

6、4. 多维度考虑：智智能工单分配坐席方法不仅考虑坐席的工作时间、休息时间、加班时间等因素，还可以考虑员工的技能等多维度因素，提高分配效果和员工满意度。 综上所述，基于遗传算法和粒子群算法的智能工单分配坐席的方法相对于其他分配方法具有更好的随机性、适应性、自动化、多维度考虑等优势，能够更好地满足工单高效、均衡分配坐席的需求，提高分配效率和效果。

技术实现思路

1、本专利提出了一种将智能工单分配坐席方法，通过合理的设置工单分配约束规则的顺序来降低随机数搜索范围，从而实现在满足约束条件和目标函数的前提下进行智能工单分配任务。该方法适用于离散型变量的目标函数和约束条件的智能工单分配任务。与传统的方法相比，这种随机数搜索方式不需要进行复杂的数学计算，只需要在满足约束条件下进行随机数采样，并不断更新实际变量取值，使得目标函数达到最优。此外，本专利还提出了通过约束条件强弱制定随机数的优先选择顺序的方法，有效地降低了随机数搜索的范围，提高了算法的计算效率。

2、在智能工单分配方法中，粒子群算法是一种常用的优化工单分配的方法。具体来说，它可以通过以下步骤进行优化：

3、1、确定目标函数：目标函数是指工单分配坐席中需要优化的指标，如员工的工单处理效率、工作时长、休息时间等。

4、2、初始化种群：将所有可行的工单分配方案组成初始种群，每个个体表示一种分配方案。

5、3、计算适应度：对每个个体进行评估，计算其适应度值。

6、4、选择操作：模拟染色体进化论，从旧个体中以一定概率选择优良个体组成新的种群，以繁殖得到下一代。通过模拟此方法来生成新的工单分配方案。

7、5、交叉操作：模拟染色体交换组合，把父串优秀特征遗传给字串，从而产生新的优秀个体，通过优秀个体的变化来生成新的优秀的工单分配方案

8、6、变异操作：从种群中随机选择一个个体，选择个体中的一点进行变异以产生优秀的个体。

9、7、根据适应度值，选择优秀的个体作为下一代种群的父代。

10、重复步骤4-7，直到满足停止条件。 在粒子群算法中，个体位置的变化是通过随机搜索来实现的。具体来说，每个个体会随机跳到当前最优解附近的位置，从而实现局部最优解的搜索。同时，粒子群算法还可以引入一些随机因素，如随机因子、随机步长等，来增加搜索的随机性和多样性。

11、 结合一种基于遗传算法和粒子群算法的智能工单分配坐席的方法，具体步骤如下：

12、s1：初始化粒子群算法参数

13、1、确定搜索空间：搜索空间包括员工、处理效率、处理时长、工作时长变量；

14、2、设置种群大小：种群大小需要根据坐席人员数量和工单量来确定；

15、3、设置最大迭代次数：最大迭代次数需要根据搜索空间的大小和工单分配要求来确定；

16、4、设置收敛阈值：设置一个收敛阈值，收敛阈值可以根据工单分配要求来确定；

17、5、设置调节因子：根据工单分配原则，设置调节因子满足不同工单分配规则；

18、6、设置随机因子：随机因子值越大，生成的随机解越多；

19、s2：生成随机解

20、1、确定随机解的数量：随机解的数量需要根据问题的复杂度和计算资源的限制来确定，将随机解的数量设置为种群大小的一定倍数；

21、迭代次数g(gen)=r(，其中gen为当前迭代数，genmax为最大迭代数，r为[0，1]随机数；

22、2、确定随机解的生成方式：随机解的生成方式，采用均匀分布、正态分布等方式生成随机解；

23、3、计算随机解的适应度：生成随机解后，需要计算它们的适应度值，以便于后续的选择操作，在工单智能分配坐席中，将适应度值定义为工单分配结果的质量，适应度函数：；

24、4、选择最优随机解：根据计算出的适应度值，选择其中适应度最优的一部分随机解，采用轮盘赌选择、锦标赛选择等方式进行选择；

25、5、将最优随机解作为下一步的搜索起点：将选择出的最优随机解作为下一步粒子群算法的搜索起点，继续执行算法，直到达到预设的终止条件；

26、s3：选择最优解

27、将生成的随机解与当前最优解进行比较，选择其中最优的解作为下一步的搜索起点；

28、1、计算适应度值：在粒子算法执行过程中，每次迭代都会生成一些解，并计算它们的适应度值；

29、2、选择最优解：根据计算出的适应度值，选择其中适应度最优的解作为下一步的搜索起点，选择最优解的方法为轮盘赌选择，根据适应度值的大小，将解按比例分配到一个轮盘上，然后随机旋转轮盘，最终停在哪个解上，哪个解就被选择为下一步的搜索起点；

30、计算公式：

31、s4：执行粒子群算法

32、1、初始化鸟群：根据种群大小，在搜索空间内随机生成一些初始解作为鸟群的初始位置；

33、2、 始化粒子位置：定义当前开始的计算值；

34、3、计算粒子目标函数值：计算每个鸟的适应度值，以评价解质量；适应度值的计算方法需要根据具体问题进行选择；

35、4、确定全局最优粒子：选择适应度值最高的解作为当前的最优解，并更新全局最优解；

36、5、更新粒子速度和位置：根据当前最优解和学习因子，更新每个鸟的位置；学习因子决定了鸟群对最优解的选择程度，它越大，鸟群就越倾向于选择最优解；

37、6、 计算粒子目标函数值；

38、7、判断终止条件，确定粒子是否收敛：根据预设的终止条件，判断是否需要继续执行算法。如果未达到终止条件，则回到步骤4，否则停止算法并输出最优解；

39、8、输出最优解；

40、s5：判断终止条件

41、1. 达到最大迭代次数：如果分配方法的迭代次数达到预设的最大值，算法就会停止；

42、2. 目标函数值达到阈值：分配方法的的目的是工单合理高效的分配坐席，当目标函数的值达到预设的阈值时，算法停止，目标函数可以根据具体情况来定义，例如坐席的工作时长、休息时间、倒班安排等；

43、3. 最佳适应度连续若干代没有改进：如果在一定的代数内，最佳适应度没有任何改进，即分配的效果没有达到预期，算法停止；

44、定义变量如下：

45、由n个坐席人员组成的种群p=()，其中第i个坐席的位置可表示为=()，其速度为=[]则第t+1次迭代中位置与速度可更新为=+

46、=

47、最终结果

48、

49、其中为沿着惯性飞行，为朝着个体最优解飞行，朝着全局最优解飞行。同时，其中，为调节因子，调节因子具体有工单处理效率、工单处理时长等取值为1~10；

50、s6：优化参数

51、根据算法的执行情况，对算法的参数进行优化，调整学习因子大小、随机解的数量。

52、基于遗传算法以及粒子群算法的工单分配作息专利的有益效果如下：

53、遗传算法和粒子群是一种高效的智能算法，它可以根据坐席人员的情况和工单处理时效的要求，自动调整工单分配计划，以提高工单处理效率和准确性。

54、传统工单分配基于随机分配原则，容易出现工单分配不均，工单挤压，而基于遗传算法和粒子群法可以自动调整分配方案，提高效率。