小李：嘿，小王，你最近在忙什么项目啊？

小王：我在做一个乌鲁木齐某高校的排课软件，挺有意思的。

小李：排课软件？听起来像是要处理很多课程安排的问题吧？

小王：没错，主要是根据老师、教室、时间等条件自动分配课程。

小李：那这个软件是怎么工作的呢？有没有用到什么算法？

小王：我们用了遗传算法来优化排课结果，确保没有时间冲突。

小李：遗传算法？具体怎么实现的？

小王：我们可以先生成一个初始种群，每个个体代表一种排课方案，然后通过交叉、变异和选择来不断优化。

下面是部分代码示例：

    import random

    def generate_initial_population(num_schedules):
        population = []
        for _ in range(num_schedules):
            schedule = {}
            # 这里可以填充具体的课程信息
            population.append(schedule)
        return population

    def fitness_function(schedule):
        # 计算当前排课方案的适应度，比如是否有冲突
        conflict = 0
        for course in schedule.values():
            if course['room'] in [c['room'] for c in schedule.values() if c != course]:
                conflict += 1
        return 1 / (1 + conflict)

    def crossover(parent1, parent2):
        # 简单的交叉操作
        child = {}
        for key in parent1:
            child[key] = parent1[key] if random.random() < 0.5 else parent2[key]
        return child

    def mutate(schedule):
        # 随机改变一个课程的教室或时间
        course = random.choice(list(schedule.keys()))
        schedule[course]['room'] = 'Room' + str(random.randint(1, 10))
        return schedule

    # 主程序逻辑
    population = generate_initial_population(100)
    for generation in range(100):
        # 评估适应度
        scores = [(fitness_function(ind), ind) for ind in population]
        # 选择最优个体
        best = max(scores, key=lambda x: x[0])[1]
        # 生成新种群
        new_population = [best]
        while len(new_population) < 100:
            parent1, parent2 = random.choices(population, k=2)
            child = crossover(parent1, parent2)
            child = mutate(child)
            new_population.append(child)
        population = new_population
    

小李：这代码看起来不错，那你是在乌鲁木齐开发的吗？

小王：对，我们在乌鲁木齐的一所大学里测试了这个系统，效果还不错。

小李：看来你们的技术真的很扎实啊！

小王：哈哈，谢谢夸奖，我们还在持续优化中。