chatgpt_genetic_algorithm_for_matches

import random

# Перелік команд
teams = ['Team 1', 'Team 2', 'Team 3', 'Team 4', 'Team 5', 'Team 6']

# Кількість днів на відпочинок між матчами
rest_days = 2

# Кількість поколінь генетичного алгоритму
generations = 100

# Кількість особин у популяції
population_size = 100

# Ймовірність мутації
mutation_rate = 0.1


# Функція для створення випадкової популяції розкладів
def create_population():
    population = []
    for i in range(population_size):
        schedule = []
        for j in range(len(teams)):
            for k in range(j + 1, len(teams)):
                match = [teams[j], teams[k], random.randint(0, rest_days)]
                schedule.append(match)
        random.shuffle(schedule)
        population.append(schedule)
    return population


# Функція для розрахунку фітнес-функції для розкладу
def calculate_fitness(schedule):
    team_rest_days = {}
    for team in teams:
        team_rest_days[team] = 0

    for match in schedule:
        team_rest_days[match[0]] += match[2]
        team_rest_days[match[1]] += match[2]

    avg_rest_days = sum(team_rest_days.values()) / len(team_rest_days)

    fitness = 1 / (1 + abs(avg_rest_days - max(team_rest_days.values())))

    return fitness


# Функція для селекції найкращих особин з популяції
def selection(population):
    fitness_scores = [(schedule, calculate_fitness(schedule)) for schedule in population]
    fitness_scores.sort(key=lambda x: x[1], reverse=True)
    selected = [schedule for schedule, fitness in fitness_scores[:int(population_size / 2)]]
    return selected


# Функція для розмноження двох розкладів
def crossover(schedule1, schedule2):
    child = []
    for i in range(len(schedule1)):
        if random.random() < 0.5:
            child.append(schedule1[i])
        else:
            child.append(schedule2[i])
    return child


# Функція для мутації розкладу
def mutate(schedule):
    for i in range(len(schedule)):
        if random.random() < mutation_rate:
            schedule[i][2] = random.randint(0, rest_days)
    return schedule


# Генетичний алгоритм для створення розкладу
def genetic_algorithm():
    population = create_population()  # create_population
    for i in range(generations):
        selected = selection(population)  # select the best schedules of the population
        children = []
        for j in range(int(population_size/2)):
            parent1 = random.choice(selected)
            parent2 = random.choice(selected)
            child = crossover(parent1, parent2)  # crossover
            child = mutate(child)  # mutate
            children.append(child)
        population = selected + children
    fitness_scores = [(schedule, calculate_fitness(schedule)) for schedule in population]  # calculate_fitness
    fitness_scores.sort(key=lambda x: x[1], reverse=True)
    best_schedule = fitness_scores[0][0]
    return best_schedule


print(genetic_algorithm())