小学老师排课遗传算法 Python 代码实现及 Excel 输出

以下是使用 pandas 输出 Excel 的 Python 代码，实现小学老师排课的遗传算法：

import pandas as pd
import random

# 定义班级和课程信息
grades = ['一年级', '二年级', '三年级', '四年级', '五年级', '六年级']
courses = ['语文', '数学', '英语', '体育']

# 定义每个年级的课程和课时量
grade_courses = {
    '一年级': {'语文': 3, '数学': 3, '英语': 3, '体育': 2},
    '二年级': {'语文': 3, '数学': 3, '英语': 3, '体育': 2},
    '三年级': {'语文': 3, '数学': 4, '英语': 4, '体育': 2},
    '四年级': {'语文': 3, '数学': 4, '英语': 4, '体育': 2},
    '五年级': {'语文': 3, '数学': 4, '英语': 4, '体育': 2},
    '六年级': {'语文': 3, '数学': 4, '英语': 4, '体育': 2}
}

# 定义遗传算法相关参数
population_size = 20  # 种群数量
generations = 100  # 迭代次数
elite_size = 2  # 精英个体数量，保留最优解
mutation_rate = 0.01  # 突变率

# 定义一个个体类
class Individual:
    def __init__(self, schedule):
        self.schedule = schedule
        self.fitness = self.calculate_fitness()

    # 计算适应度函数，评估个体的优劣程度
    def calculate_fitness(self):
        fitness = 0
        # 检查同一课程是否连续上课，每天是否超过3节课程
        for i in range(5):  # 一周5天
            daily_schedule = self.schedule[i]
            courses_count = {}
            for j in range(7):  # 一天7节课
                course = daily_schedule[j]
                if course not in courses_count:
                    courses_count[course] = 1
                else:
                    courses_count[course] += 1
                if j <= 2 and course in ['语文', '数学', '英语']:
                    if j > 0 and daily_schedule[j-1] == course:
                        fitness -= 1  # 同一课程连续上课
                    if j > 1 and daily_schedule[j-2] == course:
                        fitness -= 1  # 同一课程连续上课
                if j <= 2 and course == '体育':
                    fitness -= 1  # 体育课排在1-3节
            for count in courses_count.values():
                if count > 3:
                    fitness -= 1  # 一天超过3节课程
        return fitness

# 创建初始种群
def create_population():
    population = []
    for _ in range(population_size):
        schedule = []
        for _ in range(5):  # 一周5天
            daily_schedule = []
            for _ in range(7):  # 一天7节课
                daily_schedule.append(random.choice(courses))
            schedule.append(daily_schedule)
        population.append(Individual(schedule))
    return population

# 选择精英个体
def select_elite(population):
    population.sort(key=lambda x: x.fitness, reverse=True)
    return population[:elite_size]

# 交叉繁殖
def crossover(parent1, parent2):
    child_schedule = []
    for i in range(5):  # 一周5天
        child_daily_schedule = []
        for j in range(7):  # 一天7节课
            if random.random() < 0.5:
                child_daily_schedule.append(parent1.schedule[i][j])
            else:
                child_daily_schedule.append(parent2.schedule[i][j])
        child_schedule.append(child_daily_schedule)
    return Individual(child_schedule)

# 突变
def mutate(individual):
    for i in range(5):  # 一周5天
        for j in range(7):  # 一天7节课
            if random.random() < mutation_rate:
                individual.schedule[i][j] = random.choice(courses)
    return individual

# 运行遗传算法
def genetic_algorithm():
    population = create_population()
    elite = select_elite(population)
    for _ in range(generations):
        new_population = elite.copy()
        while len(new_population) < population_size:
            parent1 = random.choice(elite)
            parent2 = random.choice(elite)
            child = crossover(parent1, parent2)
            child = mutate(child)
            new_population.append(child)
        elite = select_elite(new_population)
    return elite[0]

# 生成排课表
def generate_schedule(individual):
    schedule = pd.DataFrame(columns=['星期一', '星期二', '星期三', '星期四', '星期五'])
    for i in range(5):  # 一周5天
        schedule_day = individual.schedule[i]
        schedule.loc[i] = schedule_day
    return schedule

# 运行遗传算法
best_individual = genetic_algorithm()

# 生成排课表Excel文件
schedule = generate_schedule(best_individual)
schedule.to_excel('schedule.xlsx', index=False)

这段代码使用遗传算法实现了小学老师排课的问题，最终输出一个 Excel 文件，其中包含了最优的排课表。

该代码首先定义了班级、课程和每个年级的课程课时量，并定义了遗传算法相关参数。接着，代码定义了一个个体类，用于存储个体的排课方案和适应度，并定义了适应度函数，用于评估个体的优劣程度。

随后，代码创建了初始种群，并使用选择、交叉和突变操作进行遗传算法的迭代，最终选出适应度最高的个体，即最优的排课方案。最后，代码将最优排课方案输出到 Excel 文件中。

本代码可以帮助解决小学老师排课的难题，提高排课效率和合理性。

代码说明：

grades： 定义了小学的年级列表。
courses： 定义了小学的课程列表。
grade_courses： 定义了每个年级的课程和课时量。
population_size： 定义了种群数量。
generations： 定义了迭代次数。
elite_size： 定义了精英个体数量。
mutation_rate： 定义了突变率。
Individual 类： 代表一个个体，存储了排课方案和适应度。
calculate_fitness 方法： 计算个体的适应度。
create_population 函数： 创建初始种群。
select_elite 函数： 选择精英个体。
crossover 函数： 进行交叉操作。
mutate 函数： 进行突变操作。
genetic_algorithm 函数： 运行遗传算法。
generate_schedule 函数： 将最优排课方案转换为 Pandas DataFrame。

使用方法：

确保已安装 Pandas 库。
将代码保存为 Python 文件。
运行代码。
最优的排课表将以 Excel 文件形式输出到当前目录下，名为 schedule.xlsx。

代码优势：

使用遗传算法，可以快速找到较优的排课方案。
代码结构清晰，易于理解和修改。
输出 Excel 文件，方便查看和使用。

代码局限性：

遗传算法可能无法找到最优解，但可以找到较优解。
代码中的参数需要根据实际情况进行调整。
代码只考虑了基本的排课规则，并未考虑其他特殊需求。

建议：

可以根据实际需求对代码进行扩展和改进，例如添加更多限制条件或增加老师信息。
可以使用其他优化算法，例如模拟退火算法或粒子群算法，来提高解的质量。
可以使用图形化界面来展示排课方案，使结果更加直观易懂。