CN110297977B - 一种面向众筹平台的个性化推荐单目标进化方法 - Google Patents

Abstract

本发明公开了一种面向众筹平台的个性化推荐单目标进化方法，包括:S1、定义众筹平台数据库为C，C＝{Y₁,Y₂,…,Y_i,…,Y_|α|}表示众筹平台数据库中所有交易记录的集合，Y_i表示第i个交易记录，|α|为交易记录的总数；遍历众筹平台数据库C中总数为|α|的交易记录，淘汰投资记录少于3的用户以及对应的投资记录，得到众筹平台数据库C中满足条件的交易记录集合D＝{X₁,X₂,…,X_i,…,X_|τ|}，|τ|为满足条件的交易记录的总数，|M|为D中不同用户的数目，以及D中所对应的不同种类产品项的数目为|N|，并根据K‑means算法对用户聚类，得到八个不同的用户类C_i(1≤i≤8)；S2、利用基于适应度计算的单目标优化方法对众筹平台数据库D中所有的产品推荐列表进行优化，从而得到最优的一个推荐列表。本发明可以根据自己的需求选择最符合其个人偏好的产品来进行投资。

Description

一种面向众筹平台的个性化推荐单目标进化方法

技术领域

本发明涉及众筹平台中个性化推荐方法领域，尤其涉及一种面向众筹平台的个性化推荐单目标进化方法。

背景技术

随着互联网技术的逐渐成熟，筹集资金的方式也随之发生了很大的改变，传统的线下筹资模式的弊端逐渐暴露，例如，借贷者与出款人双方缺乏足够信任以及融资过程缺乏合理的透明度，常常导致双方交易失败。人们越来越迫切地需要一种高效安全并且符合个人需求的筹资平台，众筹作为一种新颖的筹资模式应运而生，其作为一种面向大众的线上融资模式，利用互联网用户的线上资金为某一特定项目筹措资金，由于其投资额度的门槛较低，并且能够为普通个人融资提供机会，因而受到大众的欢迎。特别是随着近几年的发展，众筹平台已经具有很大的规模。但是随着平台规模的扩大，平台收益并没有随之发生相对应的增长，平台面临着“信息超载”的难题，即投资者无法在海量的平台产品中快速筛选出符合个人偏好的产品。根据对现有众筹平台的调查，绝大多数平台系统仅提供分类排序的功能，此时，众筹平台迫切需要一种个性化的推荐系统，能够为用户挖掘出满足其个人兴趣偏好以及回报需求的产品。目前，现有的个性化推荐算法主要都是通过构造推荐模型或者混合不同的数据特征，用以捕获用户的个人偏好。

例如，目前个性化推荐算法中的最优推荐列表推荐问题包含两类研究方法：一类研究方法是基于协同过滤方法的CF_User算法，基于用户的协同过滤算法依据用户之间的同质性，即相似用户之间可能有相同的投资行为和偏好。按照用户对产品的偏好，一些相似的邻居被挖掘出，然后基于这些邻居用户，目标用户对还没投资产品的偏好度分数将被评估出。余弦相似度被采用来做计算模型。一类研究方法是基于双向网络投影的ProbS算法，ProbS算法是利用双向网络去评估项目得分。它将网络分为用户集合和产品集合。P＝[p₁,p₂,...,p_n]表示项目集合，Y＝[y₁,y₂,...,y_n]表示投资者集合。n是项目的数目，m是投资者的数目。在ProbS中，投资者和项目之间的资源分配被考虑到，并且top-n的项目被推荐给投资者。算法利用了投资者给已知项目的估分来预测目标投资者给未知项目的估分。

以上算法大多通过单一的精度度量指标来评估推荐列表的质量高低，却忽略了推荐列表所带来的收益和多样性这两个主要因素，而对于众筹平台中的用户来说，推荐列表的收益和多样性是影响他们是否出资某些产品的重要因素。

基于此，现急需一种面向众筹平台的个性化推荐单目标进化方法，以期能提高众筹平台数据库中推荐列表的收益和多样性，从而为用户提供一组最优的推荐列表，使用户可以根据自己的需求选择最符合其个人偏好的产品进行投资。

发明内容

本发明所要解决的技术问题在于提供一种使用户可以根据自己的需求选择最符合其个人偏好的产品来进行投资的面向众筹平台的个性化推荐单目标进化方法。

本发明采用以下技术方案解决上述技术问题：

一种面向众筹平台的个性化推荐单目标进化方法，该方法包括以下步骤：

S1、定义众筹平台数据库为C，C＝{Y₁,Y₂,…,Y_i,…,Y_|α|}表示所述众筹平台数据库中所有交易记录的集合，Y_i表示第i个交易记录，|α|为交易记录的总数；遍历众筹平台数据库C中总数为|α|的交易记录，淘汰投资记录少于3的用户以及对应的投资记录，得到所述众筹平台数据库C中满足条件的交易记录集合D＝{X₁,X₂,…,X_i,…,X_|τ|}，|τ|为满足条件的交易记录的总数，|M|为D中不同用户的数目，以及D中所对应的不同种类产品项的数目|N|，并根据K-means算法对所述用户聚类，得到八个不同的用户类C_i(1≤i≤8)；

S2、利用基于适应度计算的单目标优化方法对所述众筹平台数据库D中所有的产品推荐列表进行优化，从而得到最优的一个推荐列表。

作为本发明的优选方式之一，所述S1步骤具体方法为：

将任意一个推荐列表X的推荐问题转换为如式(1)所示的单目标优化问题：

式(1)中，UPR(X)表示所述推荐列表X的效用-准确性，并有：

式(2)中，upr_ij表示考虑每个产品的效用状态后，投资者i对产品j的预测评分；

式(1)中，TVC(X)表示所述推荐列表X的话题-多样性，并有：

式(3)中，N_dif表示对于某个类C_i里所有用户的推荐列表中不同产品的数目，T_dif表示对于某个类C_i里所有用户的推荐列表中不同话题的数目，N和T分别表示不同产品总数目和话题总数目。

作为本发明的优选方式之一，所述S2步骤具体包括以下流程：

A1、种群编码：

根据所述众筹平台数据库D中所有的产品项种类数目，采用实数编码方式对推荐列表X中的所有产品项进行编码，得到推荐列表的一个个体X＝{x₁,x₂,…,x_i,…x_|L|}；x_i表示推荐列表X中第i个产品项，|L|表示推荐列表的长度；对|τ|个交易记录进行编码，得到编码后的众筹平台数据库D'；

A2、初始化种群：

A21：定义种群大小为popSize；令popSize＝100，

其中N为数据集中所有不同产品总数，L为推荐列表长度；通过以上的计算，可以得到每个用户的产品评分表中，排名前S的产品中，排名提高的产品，将其汇聚成一个|U|行的表格T，每行存储相应用户所对应的排名提高的产品；同理，可以得到一个|U|行的表格V，每行存储相应用户的排名降低的产品；

A22：提出基于产品排名变动的初始化策略，针对类C_i中的用户U_m，求得T_m(1≤m≤|U|)中的产品个数，若|T_m|小于等于L/2，则将T_m中所有个体均放入U_m的推荐列表中，剩下的L-|T_m|个产品随机的从候选产品集Candidate中选出，注意，为避免推荐列表重复，我们会把已放入推荐列表的T_m中的产品先从候选产品集Candidate中去除,再将V_m(1≤m≤|U|)中的产品从用户U_m的候选产品集Candidate去除，最后去除U_m已投资过的产品TrainData_m；若|T_m|大于L/2，则从T_m随机选出L/2个产品放入推荐列表，剩下的L/2个产品随机的从候选产品集Candidate中选出，同上，为避免推荐列表重复，我们会把已放入推荐列表的产品T_m,排名降低产品V_m(1≤m≤|U|)和已投资过的产品TrainData_m先从候选产品集Candidate去除；重复|U|次，得到单个个体solution，再重复popSize次，得到初始化种群population；

A23：遍历所述编码后的众筹平台数据库D'，从而对所述初始化种群中的所有个体进行匹配，并利用

MaximizeF(X)＝λ*f₁(X)+(1-λ)*f₂(X)

s.t.：λ∈(0,1)

f₁＝utility-accuracy

f₂＝topic-diversity

计算得到所述初始化种群中的所有个体的相应的效用-准确性值和话题-多样性值；

A24：对所述初始化种群按照F(X)值从大到小的顺序进行排序，得到排序后的前popSize个个体组成的种群；

A3、种群进化：

A31：初始化迭代次数G＝0；

A32：采用锦标赛选择的策略对所述再次排序后的前popSize个个体组成的种群进行选择，得到交配池，作为第G次迭代的种群；

A33：对所述第G次迭代的种群中的个体进行交叉变异产生第G+1次迭代的种群；

A34：遍历所述编码后的众筹平台数据库D’，从而对所述第G+1次迭代的种群中的所有个体进行匹配，并利用

MaximizeF(X)＝λ*f₁(X)+(1-λ)*f₂(X)

s.t.：λ∈(0,1)

f₁＝utility-accuracy

f₂＝topic-diversity

计算得到第G+1次迭代的种群中的所有个体的相应的效用-准确性值和话题-多样性值；

A35：对所述第G+1次迭代的种群按照F(X)值从大到小的顺序进行排序，得到排序后的第G+1次迭代的前popSize个个体组成的种群；

A36：将G+1赋值给G；并重复执行步骤A32，直到G值达到popSize为止，从而得到最终迭代后的种群；

A37：对最终迭代后的种群中的个体按照F(X)从大到小的顺序进行排序，得到排序后的前popSize个个体组成的候选种群；

A5、从所述排序后的前popSize个个体组成的候选种群中选择排名第一的个体；

A6、将所述排名第一的个体作为最优的一个推荐列表输出。

作为本发明的优选方式之一，所述A33具体为：提出父代局部最优基因保留的交叉策略，所提策略先是从父代种群populati_jon中随机选出三个个体solutio_in，solution_i+1和solution_i+2，因算法中每个个体规模均为|U|×L(|U|为用户总数，L为推荐列表长度)，故针对用户U_m(1≤m≤|U|)，可以得到三个父代个体相对应的推荐列表

和

合并去重复后得到产品列表List_m(L≤|List_m|≤3L,三个父代个体对应列表产品均相同则为L，均不同，则为3L)，并计算出每个产品出现的次数；假设出现次数大于1的产品p₁个数为s，若s＝L，则将p₁中个体全部保留到子代个体中产生新的子代个体

若s＜L，则将p₁中个体全部保留到子代个体中，再从出现次数为1的产品p₂中随机选择L-s个个体保留到子代个体中，组合成新的子代个体

重复m次，得到新的个体newsolution_i再重复popSize次，得到新的种群population_j+1。

本发明相比现有技术的优点在于：(1)本发明将众筹平台数据库中的推荐列表挖掘问题转化为面向众筹平台的个性化推荐单目标进化问题，通过利用单目标进化算法来解决推荐列表挖掘问题；该方法通过正确的定义目标函数以及适应度的计算，就可以获得众筹平台数据库中的一个最优推荐列表，使用户的投资收益最大化；同时可以提高推荐列表的多样性，而对于众筹平台来说，推荐列表的多样性越高，平台中产品的成功率越大。(2)本发明针对众筹平台个性化推荐难题，提出一个基于产品排名变动的初始化策略，这种策略可以保证初始化生成的个体的高效用特性，并且在实际应用中保留了一个很好的多样性。(3)目前的个性化推荐方法中，所得到的推荐列表多样性表现均不理想，无法满足用户的多样性需求，本发明通过提出基于父代局部最优基因保留的交叉方法，可以有效地提高推荐列表的多样性，从而为用户推荐一个由多个产品组成的最优推荐列表，供用户根据自己的需求选择，使推荐结果呈现多样性。(4)本发明通过单目标进化算法，利用适应度计算来解决最优推荐列表问题，所述方法不需要太过担心CF_User和ProbS算法中时间空间将会随着平台数据库中产品项的增加而呈现出指数级增长的趋势，这在很大程度上提高了推荐算法的有效性和准确性。

附图说明

图1是实施例中的一种面向众筹平台的个性化推荐单目标进化方法的算法流程图；

图2是实施例中的问题转换与种群编码的示意图；

图3是实施例中的单目标进化算法流程图；

图4是实施例中的最优推荐列表与算法应用图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

设计思路：本发明将众筹平台数据库中产品推荐问题转化为基于单目标优化的产品的个性化推荐问题，通过适应度的计算来解决众筹平台数据库中最优推荐列表的挖掘问题，从而得到众筹平台数据库中最终的最优推荐列表。

实施例1

基于以上设计思路，如图1-4所示，本实施例的一种面向众筹平台的个性化推荐单目标进化方法，该方法包括以下步骤：

S1、定义众筹平台数据库为C，C＝{Y₁,Y₂,…,Y_i,…,Y_|α|}表示所述众筹平台数据库中所有交易记录的集合，Y_i表示第i个交易记录，|α|为交易记录的总数；遍历众筹平台数据库C中总数为|α|的交易记录，淘汰投资记录少于3的用户以及对应的投资记录，得到所述众筹平台数据库C中满足条件的交易记录集合D＝{X₁,X₂,…,X_i,…,X_|τ|}，|τ|为满足条件的交易记录的总数，|M|为D中不同用户的数目，以及D中所对应的不同种类产品项的数目|N|，并根据K-means算法对所述用户聚类，得到八个不同的用户类C_i(1≤i≤8)；

所述S1步骤具体方法为：

将任意一个推荐列表X的推荐问题转换为如式(1)所示的单目标优化问题：

式(1)中，UPR(X)表示所述推荐列表X的效用-准确性，并有：

式(2)中，upr_ij表示考虑每个产品的效用状态后，投资者i对产品j的预测评分；

式(1)中，TVC(X)表示所述推荐列表X的话题-多样性，并有：

式(3)中，N_dif表示对于某个类C_i里所有用户的推荐列表中不同产品的数目，T_dif表示对于某个类C_i里所有用户的推荐列表中不同话题的数目，N和T分别表示不同产品总数目和话题总数目。

S2、利用基于适应度计算的单目标优化方法对所述众筹平台数据库D中所有的产品推荐列表进行优化，从而得到最优的一个推荐列表。

本实施例将众筹平台数据库中的推荐列表挖掘问题转化为面向众筹平台的个性化推荐单目标进化问题，通过利用单目标进化算法来解决推荐列表挖掘问题；该方法通过正确的定义目标函数以及适应度的计算，就可以获得众筹平台数据库中的一个最优推荐列表，使用户的投资收益最大化；同时可以提高推荐列表的多样性，而对于众筹平台来说，推荐列表的多样性越高，平台中产品的成功率越大。

进一步的，所述S2步骤具体包括以下流程：

A1、种群编码：

根据所述众筹平台数据库D中所有的产品项种类数目，采用实数编码方式对推荐列表X中的所有产品项进行编码，得到推荐列表的一个个体X＝{x₁,x₂,…,x_i,…x_|L|}；x_i表示推荐列表X中第i个产品项，|L|表示推荐列表的长度；对|τ|个交易记录进行编码，得到编码后的众筹平台数据库D'；

A2、初始化种群：

A21：定义种群大小为popSize；令popSize＝100，

其中N为数据集中所有不同产品总数，L为推荐列表长度；通过以上的计算，可以得到每个用户的产品评分表中，排名前S的产品中，排名提高的产品，将其汇聚成一个|U|行的表格T，每行存储相应用户所对应的排名提高的产品；同理，可以得到一个|U|行的表格V，每行存储相应用户的排名降低的产品；

A22：提出基于产品排名变动的初始化策略，针对类C_i中的用户U_m，求得T_m(1≤m≤|U|)中的产品个数，若|T_m|小于等于L/2，则将T_m中所有个体均放入U_m的推荐列表中，剩下的L-|T_m|个产品随机的从候选产品集Candidate中选出，注意，为避免推荐列表重复，我们会把已放入推荐列表的T_m中的产品先从候选产品集Candidate中去除,再将V_m(1≤m≤|U|)中的产品从用户U_m的候选产品集Candidate去除，最后去除U_m已投资过的产品TrainData_m；若|T_m|大于L/2，则从T_m随机选出L/2个产品放入推荐列表，剩下的L/2个产品随机的从候选产品集Candidate中选出，同上，为避免推荐列表重复，我们会把已放入推荐列表的产品T_m,排名降低产品V_m(1≤m≤|U|)和已投资过的产品TrainData_m先从候选产品集Candidate去除；重复|U|次，得到单个个体solution，再重复popSize次，得到初始化种群population；

A23：遍历所述编码后的众筹平台数据库D'，从而对所述初始化种群中的所有个体进行匹配，并利用

MaximizeF(X)＝λ*f₁(X)+(1-λ)*f₂(X)

s.t.：λ∈(0,1)

f₁＝utility-accuracy

f₂＝topic-diversity

计算得到所述初始化种群中的所有个体的相应的效用-准确性值和话题-多样性值；

A24：对所述初始化种群按照F(X)值从大到小的顺序进行排序，得到排序后的前popSize个个体组成的种群；

A3、种群进化：

A31：初始化迭代次数G＝0；

A32：采用锦标赛选择的策略对所述再次排序后的前popSize个个体组成的种群进行选择，得到交配池，作为第G次迭代的种群；

A33：对所述第G次迭代的种群中的个体进行交叉变异产生第G+1次迭代的种群；

A34：遍历所述编码后的众筹平台数据库D’，从而对所述第G+1次迭代的种群中的所有个体进行匹配，并利用

MaximizeF(X)＝λ*f₁(X)+(1-λ)*f₂(X)

s.t.：λ∈(0,1)

f₁＝utility-accuracy

f₂＝topic-diversity

计算得到第G+1次迭代的种群中的所有个体的相应的效用-准确性值和话题-多样性值；

A35：对所述第G+1次迭代的种群按照F(X)值从大到小的顺序进行排序，得到排序后的第G+1次迭代的前popSize个个体组成的种群；

A36：将G+1赋值给G；并重复执行步骤A32，直到G值达到popSize为止，从而得到最终迭代后的种群；

A37：对最终迭代后的种群中的个体按照F(X)从大到小的顺序进行排序，得到排序后的前popSize个个体组成的候选种群；

A5、从所述排序后的前popSize个个体组成的候选种群中选择排名第一的个体；

A6、将所述排名第一的个体作为最优的一个推荐列表输出。

本实施例通过单目标进化算法，利用适应度计算来解决最优推荐列表问题，所述方法不需要太过担心CF_User和ProbS算法中时间空间将会随着平台数据库中产品项的增加而呈现出指数级增长的趋势，这在很大程度上提高了推荐算法的有效性和准确性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种面向众筹平台的个性化推荐单目标进化方法，其特征在于，该方法包括以下步骤：

S1、定义众筹平台数据库为C，C＝{Y₁,Y₂,…,Y_i,…,Y_|α|}表示所述众筹平台数据库中所有交易记录的集合，Y_i表示第i个交易记录，|α|为交易记录的总数；遍历众筹平台数据库C中总数为|α|的交易记录，淘汰投资记录少于3的用户以及对应的投资记录，得到所述众筹平台数据库C中满足条件的交易记录集合D＝{X₁,X₂,…,X_i,…,X_|τ|}，|τ|为满足条件的交易记录的总数，|M|为D中不同用户的数目，|N|为D中所对应的不同种类产品项的数目，并根据K-means算法对所述用户聚类，得到八个不同的用户类C_i，1≤i≤8；

所述S1步骤具体方法为：

将任意一个推荐列表X的推荐问题转换为如式(1)所示的单目标优化问题：

式(2)中，UPR(X)表示所述推荐列表X的效用-准确性，并有：

式(2)中，upr_ij表示考虑每个产品的效用状态后，投资者i对产品j的预测评分；

式(3)中，TVC(X)表示所述推荐列表X的话题-多样性，并有：

式(3)中，N_dif表示对于某个类C_i里所有用户的推荐列表中不同产品的数目，T_dif表示对于某个类C_i里所有用户的推荐列表中不同话题的数目，N和T分别表示不同产品总数目和话题总数目。

S2、利用基于适应度计算的单目标优化方法对D中所有的产品推荐列表进行优化，从而得到最优的一个推荐列表；所述S2步骤具体包括以下流程：

A1、种群编码：

根据所述D中所有的产品项种类数目，采用实数编码方式对推荐列表X中的所有产品项进行编码，得到推荐列表的一个个体X＝{x₁,x₂,…,x_i,…x_|L|}；x_i表示推荐列表X中第i个产品项；对|τ|个交易记录进行编码，得到编码后的众筹平台数据库D'；

A2、初始化种群：

A21：定义种群大小为popSize；令popSize＝100，

其中N为数据集中所有不同产品总数；通过以上的计算，可以得到每个用户的产品评分表中，排名前S的产品中，排名提高的产品，将其汇聚成一个|U|行的表格T_高，每行存储相应用户所对应的排名提高的产品；同理，可以得到一个|U|行的表格V，每行存储相应用户的排名降低的产品；

A22：提出基于产品排名变动的初始化策略，针对类C_i中的用户U_m，求得T_m中的产品个数，其中，1≤m≤|U|，若|T_m|小于等于L/2，则将T_m中所有个体均放入U_m的推荐列表中，剩下的L-|T_m|个产品随机的从候选产品集Candidate中选出，T_m为已放入推荐列表的产品，避免推荐列表重复，把已放入推荐列表的T_m中的产品先从候选产品集Candidate中去除,再将V_m中的产品从用户U_m的候选产品集Candidate去除，其中，1≤m≤|U|，最后去除U_m已投资过的产品TrainData_m；若|T_m|大于L/2，则从T_m随机选出L/2个产品放入推荐列表，剩下的L/2个产品随机的从候选产品集Candidate中选出，同上，为避免推荐列表重复，把已放入推荐列表的产品T_m,排名降低产品V_m，1≤m≤|U|和已投资过的产品TrainData_m先从候选产品集Candidate去除；重复|U|次，得到单个个体solution，再重复popSize次，得到初始化种群population；

A23：遍历所述编码后的众筹平台数据库D'，从而对所述初始化种群中的所有个体进行匹配，并利用

Maximize F(X)＝λ*f₁(X)+(1-λ)*f₂(X)

s.t.：λ∈(0,1)

f₁＝utility-accuracy

f₂＝topic-diversity

计算得到所述初始化种群中的所有个体的相应的效用-准确性值和话题-多样性值；

A24：对所述初始化种群按照F(X)值从大到小的顺序进行排序，得到排序后的前popSize个个体组成的种群；

A3、种群进化：

A31：初始化迭代次数G＝0；

A32：采用锦标赛选择的策略对所述再次排序后的前popSize个个体组成的种群进行选择，得到交配池，作为第G次迭代的种群；

A33：对所述第G次迭代的种群中的个体进行交叉变异产生第G+1次迭代的种群；

A34：遍历所述编码后的众筹平台数据库D’，从而对所述第G+1次迭代的种群中的所有个体进行匹配，并利用

Maximize F(X)＝λ*f₁(X)+(1-λ)*f₂(X)

s.t.：λ∈(0,1)

f₁＝utility-accuracy

f₂＝topic-diversity

计算得到第G+1次迭代的种群中的所有个体的相应的效用-准确性值和话题-多样性值；

A35：对所述第G+1次迭代的种群按照F(X)值从大到小的顺序进行排序，得到排序后的第G+1次迭代的前popSize个个体组成的种群；

A36：将G+1赋值给G；并重复执行步骤A32，直到G值达到popSize为止，从而得到最终迭代后的种群；

A37：对最终迭代后的种群中的个体按照F(X)从大到小的顺序进行排序，得到排序后的前popSize个个体组成的候选种群；

A5、从所述排序后的前popSize个个体组成的候选种群中选择排名第一的个体；

A6、将所述排名第一的个体作为最优的一个推荐列表输出。

2.根据权利要求1所述的面向众筹平台的个性化推荐单目标进化方法，其特征在于，所述A33具体为：提出父代局部最优基因保留的交叉策略，所提策略先是从父代种群population_j中随机选出三个个体solution_i，solution_i+1和solution_i+2，因算法中每个个体规模均为|U|×L，故针对用户U_m，1≤m≤|U|，可以得到三个父代个体相对应的推荐列表

和

合并去重复后得到产品列表List_m，L≤|List_m|≤3L,三个父代个体对应列表产品均相同则为L，均不同，则为3L，并计算出每个产品出现的次数；假设出现次数大于1的产品p₁个数为s，若s＝L，则将p1中个体全部保留到子代个体中产生新的子代个体

若s＜L，则将p₁中个体全部保留到子代个体中，再从出现次数为1的产品p₂中随机选择L-s个个体保留到子代个体中，组合成新的子代个体

重复m次，得到新的个体newsolution_i再重复popSize次，得到新的种群population_j+1。

Images