r - 守卫城墙的士兵-作业

我的人工智能课有一个作业。
这是一个必须用遗传算法在R（使用GA库）中解决的问题我在想办法解决这个问题。
说明
野蛮人围攻一座城市。将军下令每天每小时有多少士兵守卫城墙。这是他的桌子：

Time of the day | Number of soldiers
00:00 - 01:00   150
01:00 - 02:00   160
02:00 - 03:00   160
03:00 - 04:00   170
04:00 - 05:00   350
05:00 - 06:00   380
06:00 - 07:00   400
07:00 - 08:00   420
08:00 - 09:00   450
09:00 - 10:00   470
10:00 - 11:00   500
11:00 - 12:00   500
12:00 - 13:00   450
13:00 - 14:00   350
14:00 - 15:00   300
15:00 - 16:00   300
16:00 - 17:00   310
17:00 - 18:00   350
18:00 - 19:00   350
19:00 - 20:00   330
20:00 - 21:00   300
21:00 - 22:00   250
22:00 - 23:00   200
23:00 - 24:00   170

防长希望士兵们在巡逻时能全神贯注，所以他下令：
每一个守卫城墙的士兵一天整整6小时（24小时）：在城墙上4小时，然后休息2小时，然后再回到城墙上2小时
在午夜前开始，在第二天早上继续的焊工-算法必须考虑白天的连续性。
护墙需要多少士兵？
到目前为止我的想法
两种可能的方法（目前为止）：
第一种方法
遗传算法的适应度函数接受多个焊料，然后进行模拟：
将初始分数设置为0。
如果在模拟过程中，城市中的士兵数量不足或过多，则从分数中减去。
最优解是当得分为零时（所需兵力的数量是最优的）。
第二种方法
创建一个初始种群（solders），并在fitness函数中应用来自指挥官的规则（我不知道如何在这里定义上述规则），然后运行ga，直到得到一些有用的分数。

最佳答案

因为作业结束了（是的，我和OP上同一个班），这是一个非常有趣的问题，所以我在这里发布我的解决方案：

library(GA)

Fitness <- function(x) {
    x <- as.integer(x)
    # z represents required soldiers at each hour
    z <- c(150,160,160,170,350,380,400,420,450,470,500,500,450,350,300,300,310,350,350,330,300,250,200,170)
    y <- rep(0,31)
    for (i in 1:length(x)) {
        y[i] <- y[i] + x[i]
        y[i+1] <- y[i+1] + x[i]
        y[i+2] <- y[i+2] + x[i]
        y[i+3] <- y[i+3] + x[i]
        #resting 4, 5
        y[i+6] <- y[i+6] + x[i]
        y[i+7] <- y[i+7] + x[i]
    }
    for (i in 1:7) {
        y[i] <- y[i]+y[24+i]
    }
    y <- y[1:24]
    p <- y >= z
    if (FALSE %in% p) { return(-3000) }
return(-sum(x))
}

GA <- ga(type = "real-valued", fitness = Fitness, min = rep(0, 24), max = rep(150, 24), popSize = 24, suggestions = sol, maxiter = 5000, run = 5000, pmutation=0.9)

summary(GA)
sol <- (as.integer(GA@solution[1, ]))
sol
sum(sol)

遗传算法生成一个每个小时开始观察的士兵数量向量（有24小时，这就是为什么24个零和24乘以150），并用该向量调用Fitness函数。
fitness函数首先将实数转换为整数（ras.integer函数只去除小数点后的任何数字，不舍入），并将士兵分配给其6小时的工作。它通过将开始于x[i]的士兵数量增加到y[i, i+1, ... i+7]而不需要士兵休息的两个小时。
因为士兵们24小时不间断地守卫，所以在y的前7小时加上y的最后7小时，然后只考虑y的前24个值。
然后我们将生成的值班士兵向量与所需向量进行比较，如果向量中有任何FALSEs，Fitness返回一个非常大的负数（GA总是取较大的数作为较好的数）。
最后，我们希望“雇佣”尽可能少的士兵，这就是我们否定结果的原因（需要的士兵数量越少=否定的数量越高），这样遗传算法就可以找到最好的结果。
剩下的很简单，我们调用ga函数，修改它的设置并显示结果。