如何解决Python中的高效排班计划
| 我目前正在为一家模型出租车公司做一些排班调度模拟。该公司经营350辆出租车，并且在任何一天都在使用。司机每个工作5班，每班12小时，每天有四个重叠的班次。从3：00-15：00、15：00-3：00、16：00-4：00和4：00-16：00轮班。我最初是用Python开发的，因为需要快速开发它，我认为性能可以接受。原始参数一天只需要轮班两次（3：00-15：00和15：00-3：00），虽然性能不是很好，但对于我的使用来说已经足够了。它可以使用简单的蛮力算法为驾驶员制定每周约8分钟的时间表（评估所有可能的调换以查看情况是否可以得到改善。） 在四个重叠的转变中，性能绝对糟糕。每周计划需要一个多小时。我已经使用cProfile进行了一些性能分析，看来罪魁祸首是两种方法。一种方法是确定将驾驶员换档时是否存在冲突。确保他们不在同一天的轮班中服务，也不在之前或之后的轮班中服务。每天只需两班，这很容易。只需确定驾驶员是否已经安排好直接在上班之前或之后上班。随着四个重叠的转变，这变得更加复杂。第二个罪魁祸首是确定轮班是白天还是夜班的方法。同样，对于原始的两个班次，这就像确定班次号是偶数还是奇数一样简单，班号从0开始。第一个班次（班次0）被指定为夜班，第二个班次被指定为白天，等等等等。现在，前两个是晚上，接下来的两个是，依此类推。这些方法相互调用，因此我将其身体放在下面。def conflict_exists(shift,driver,shift_data):
next_type = get_stype((shift+1) % 28)
my_type = get_stype(shift)
nudge = abs(next_type - my_type)
if driver in shift_data[shift-2-nudge] or driver in shift_data[shift-1-nudge] or driver in shift_data[(shift+1-(nudge*2)) % 28] or driver in shift_data[(shift+2-nudge) % 28] or driver in shift_data[(shift+3-nudge) % 28]:
return True
else:
return False
def get_stype(k):
if (k / 4.0) % 1.0 < 0.5:
return 0
else:
return 1
ncalls tottime percall cumtime percall
57662556 19.717 0.000 19.717 0.000 sim8.py:241(get_stype)
28065503 55.650 0.000 77.591 0.000 sim8.py:247(in_conflict)
def optimize_schedule(shift_data,driver_shifts,recheck):
skip = set()
if len(recheck) == 0:
first_run = True
recheck = []
for i in xrange(28):
recheck.append(set())
else:
first_run = False
for i in xrange(28):
if (first_run):
targets = shift_data[i]
else:
targets = recheck[i]
for j in targets:
o_score = eval_score = opt_eval_at_coord(shift_data,i,j)
my_type = get_stype(i)
s_type_fwd = get_stype((i+1) % 28)
if (my_type == s_type_fwd):
search_direction = (i + 2) % 28
end_direction = i
else:
search_direction = (i + 1) % 28
end_direction = (i - 1) % 28
while True:
if (end_direction == search_direction):
break
for k in shift_data[search_direction]:
coord = search_direction * 10000 + k
if coord in skip:
continue
if k in shift_data[i] or j in shift_data[search_direction]:
continue
if in_conflict(search_direction,j,shift_data) or in_conflict(i,k,shift_data):
continue
node_a_prev_score = o_score
node_b_prev_score = opt_eval_at_coord(shift_data,search_direction,k)
if (node_a_prev_score == 1) and (node_b_prev_score == 1):
continue
a_type = my_type
b_type = get_stype(search_direction)
if (node_a_prev_score == 1):
if (driver_shifts[j][\'type\'] == \'any\') and (a_type != b_type):
test_eval = 2
else:
continue
elif (node_b_prev_score == 1):
if (driver_shifts[k][\'type\'] == \'any\') and (a_type != b_type):
test_eval = 2
else:
test_eval = 0
else:
if (a_type == b_type):
test_eval = 0
else:
test_eval = 2
print \'eval_score: %f\' % test_eval
if (test_eval > eval_score):
cand_coords = [search_direction,k]
eval_score = test_eval
if (test_eval == 2.0):
break
else:
search_direction = (search_direction + 1) % 28
continue
break
if (eval_score > o_score):
print \'doing a swap: \',print cand_coords,shift_data[i].remove(j)
shift_data[i].add(cand_coords[1])
shift_data[cand_coords[0]].add(j)
shift_data[cand_coords[0]].remove(cand_coords[1])
if j in recheck[i]:
recheck[i].remove(j)
if cand_coords[1] in recheck[cand_coords[0]]:
recheck[cand_coords[0]].remove(cand_coords[1])
recheck[cand_coords[0]].add(j)
recheck[i].add(cand_coords[1])
else:
coord = i * 10000 + j
skip.add(coord)
if first_run:
shift_data = optimize_schedule(shift_data,recheck)
return shift_data
def opt_eval_at_coord(shift_data,j):
node = j
if in_conflict(i,node,shift_data):
return float(\'-inf\')
else:
s_type = get_stype(i)
d_pref = driver_shifts[node][\'type\']
if (s_type == 0 and d_pref == \'night\') or (s_type == 1 and d_pref == \'day\') or (d_pref == \'any\'):
return 1
else:
return 0
解决方法
没有任何东西显然会减慢这些功能的速度，实际上它们并没有减慢速度。他们只是被叫很多。您说您正在使用蛮力算法-您能编写一种不会尝试所有可能组合的算法吗？还是有一种更有效的方法，例如通过驱动程序而不是通过移位存储数据？
当然，如果您需要即时加速，则可以通过在诸如PyPy的解释器中运行或使用Cython将关键部分转换为C来受益。
, 嗯有趣且有趣的问题。我将不得不多看。现在，我要提供的是：为什么要引入浮子？我会做get_stype（）如下：
def get_stype(k):
if k % 4 < 2:
return 0
return 1
get_stype
get_stype
0.000
>>> from timeit import Timer
>>> t = Timer(\"t()\",setup=\"def t(): pass\")
>>> t.timeit(57662556)
7.159075975418091
shift_data
driver in shift_data[shift-2-nudge]
in
O(N)
O(1)
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。