[我试图了解如何使用遗传算法来解决对工人问题的任务分配，如Solving Task Allocation to the Worker Using Genetic Algorithm号论文中所述。
作为示例，我有一个下表，该表代表工人以及他们执行任务需要多长时间。
## Task number going left to right
## Worker number going down
# | 1 | 2 | 3 | 4 | 5 |
1 | 2 | 5 | 7 | 1 | 6 |
2 | 5 | 4 | 9 | 2 | 4 |
3 | 4 | 3 | 2 | 1 | 6 |
4 | 7 | 1 | 8 | 9 | 2 |
5 | 3 | 2 | 6 | 1 | 8 |
问题涉及为每个任务选择执行任务最快的工人。我已经读过遗传算法包含5个关键阶段：初始种群，适应度函数，选择，交叉（交配）和变异。
我了解该表格代表了以染色体代表的个体的初始种群。染色体内部包含基因。
我不知道其他阶段以及这将如何解决问题。我上面提到的其他阶段（健身功能，选择，交叉（交配）和变异）与解决此问题有什么关系？
排队的随机工人向量是一个潜在的解决方案。 （初始化）要查看他们如何执行任务日志，可以使用目标函数（适应性函数是评估每个解决方案的方式）。基本上，您可以使用提供的表格评估每个工作人员所需的时间。
对于分频器，您需要2个（随机）解决方案，然后混合使用它们的特征。文献中有多种方法可以做到这一点。
对于突变，您一次（随机）选择一种解决方案，并更改其特征之一。
您评估新的解决方案，并保留迄今为止找到的N个最佳解决方案，以用于下一次迭代。
适应度函数是对解决方案质量的度量。您可以使用它来区分解决方案，例如，在最大化问题中，适应度为10的解决方案优于适应度为5的解决方案
一旦您知道每种解决方案的适用性，就可以选择更好的解决方案，避免出现更糟的解决方案。选择方法有很多类型，例如锦标赛选择，它会选择最佳的随机选择解决方案]
crossover用于从选定的解决方案中创建新的后代解决方案。其背后的想法是将好的基因结合到更好的解决方案中，以创造出更好的解决方案
突变只是在解决方案中造成一些随机性。当解决方案变得过于相似并因此陷入所谓的局部最优时，这尤其有用。
请参阅https://github.com/mayoayodele/Permutation-GA，您可以查看它的简单实现
让我知道是否有帮助