排课V2.0 GA约束体系完整解读：从硬约束到软约束的技术实现

排课V2.0 GA约束体系完整解读：从硬约束到软约束的技术实现

作者：某中学 | 技术实现：tiangolo | 2026年3月

---

排课V2.0 GA约束体系完整解读：从硬约束到软约束的技术实现

作者：tiangolo

日期：2026-04-03

脱敏：某中学

---

前言

排课是典型的约束满足问题（CSP）。当学校规模扩大（18班、63教师、161条课程需求），人工排课几乎不可能同时满足所有约束。遗传算法（GA）通过"惩罚机制"将硬约束转化为适应度函数的强制项，是工业级排课系统的标准方案。

本文深入解析排课V2.0的GA约束体系设计，包含：

约束层次（硬约束 vs 软约束）

适应度函数数学建模

V2.0新增约束（连堂/互斥/时段偏好）

关键代码实现

实测数据与效果

---

一、约束分类体系

排课V2.0将约束分为三层：

层次约束类型惩罚系数说明 硬约束体育不排前3节×5000必须满足，否则课表不可用 硬约束同教师不撞课×5000必须满足，多班并发核心约束 硬约束科目互斥×500如体育与语文不能同天 软约束连堂课优化×5语数英尽量连排，提升教学效果 软约束时段偏好×2主科上午，体美下午 课时约束周课时偏差×1各科课时尽量接近目标

为什么硬约束用这么大惩罚系数？

GA的适应度函数是"越大越好"。假设个体A违反硬约束但软约束满分，适应度 = 0 + 100 = 100；如果硬约束惩罚系数只有10，个体B满足硬约束但软约束差，适应度 = -10 + 80 = 70 → 算法会错误选择A。

惩罚系数 ≥ 10³ 确保：任何违反硬约束的个体，在进化中必然被淘汰。

---

二、适应度函数数学建模

基础公式

fitness = w₁×H_硬约束 + w₂×H_软约束 + w₃×H_课时 + H_时段奖励

各项展开：

硬约束惩罚：

H_体育 = Σ(每节体育课排在前3节) × 5000
H_教师 = Σ(同一教师同时上两个班) × 5000
H_互斥 = Σ(同班同天出现互斥科目对) × 500

课时惩罚：

H_课时 = Σ|某科目实际排课节数 - 目标周课时|

软约束奖励（越大越好）：

R_连堂 = 连堂课对数 × 8        # 每增加一对连堂，+8分
R_时段 = Σ时段权重(period)     # 上午权重高，奖励大

完整适应度函数

def fitness(self, chrom):
    H_pe   = self.count_pe_conflicts()       # 体育冲突数 × 5000
    H_tc   = self.count_teacher_conflicts()   # 教师冲突数 × 5000
    H_me   = self.count_mutual_exclusions()  # 互斥冲突数 × 500

    P_pe   = H_pe * 5000
    P_tc   = H_tc * 5000
    P_me   = H_me * 500

    # 课时偏差（越小越好 → 转为负惩罚）
    hour_dev = sum(sum(d.values()) for d in self._hours_by_class(chrom).values())
    P_hour = -hour_dev  # 偏差越大，适应度越低

    # 连堂课奖励（软约束，越多越好）
    n_consec = self.count_consecutive_pairs(chrom)
    R_consec = n_consec * 8

    # 时段偏好奖励
    R_period = self._period_score(chrom)

    return -(P_pe + P_tc + P_me) + P_hour + R_consec + R_period

适应度曲线解读

在3班并发压力测试中（200代）：

Gen  1: fitness = -8444  （大量冲突）
Gen 31: fitness =    3.45（硬约束归零）
Gen 61: fitness =   11.50（开始优化软约束）
Gen120: fitness =   25.40（软约束持续改善）
Gen200: fitness =   57.35（稳定收敛）

关键转折点在Gen31：硬约束归零后，适应度由负转正，说明惩罚机制有效。

---

三、硬约束实现细节

3.1 体育不排前3节（单班独立轨道）

每班有独立的8节×5天时间槽轨道。染色体中，体育课（tiyu）出现在第0、1、2位（对应第1、2、3节）时，计数+1：

TIYU_NO_PERIODS = {0, 1, 2}  # 第1-3节

def count_pe_conflicts(self, chrom):
    count = 0
    slots = self.slots_per_class  # 40节/班
    for ci in range(self.n_classes):
        offset = ci * slots
        for day in range(self.days):
            for period in range(self.ppd):
                idx = offset + day * self.ppd + period
                if chrom[idx] == "tiyu" and period in self.TIYU_NO_PERIODS:
                    count += 1
    return count

3.2 同教师不撞课（多班并发检测）

每班有独立轨道，但同一教师可能教多个班。在同一时间槽，检查该教师是否被两个班同时占用：

def count_teacher_conflicts(self, chrom):
    conflicts = 0
    for day in range(self.days):
        for period in range(self.ppd):
            teachers_at_slot = {}
            for ci, class_id in enumerate(self.class_ids):
                idx = ci * self.slots_per_class + day * self.ppd + period
                subj_id = chrom[idx]
                teacher_id = self.teacher_subjects.get(subj_id)
                if teacher_id:
                    if teacher_id in teachers_at_slot:
                        conflicts += 1  # 同一教师同一时间上两个班
                    teachers_at_slot[teacher_id] = class_id
    return conflicts

3.3 科目互斥（同一班级同一天）

某些科目不能排在同一天（如体育课当天不宜安排其他主科考试）：

def count_mutual_exclusions(self, chrom):
    # mutual_exclusions: List[Tuple[str, str]]
    # 例如 [("tiyu", "yuwen")] = 体育与语文不能同天
    violations = 0
    for ci in range(self.n_classes):
        offset = ci * self.slots_per_class
        for day in range(self.days):
            subjects_today = set()
            for period in range(self.ppd):
                subj = chrom[offset + day * self.ppd + period]
                subjects_today.add(subj)
            # 检查互斥对
            for (a, b) in self.mutual_exclusions:
                if a in subjects_today and b in subjects_today:
                    violations += 1
    return violations

---

四、软约束实现细节

4.1 连堂课优化（变异操作改造）

连堂课（同一科目连续两节）有助于教学连贯性。在GA变异阶段，主动将孤立节次与相邻节交换：

def _mutate(self, chrom, prob):
    for ci in range(self.n_classes):
        offset = ci * self.slots_per_class
        for day in range(self.days):
            for period in range(self.ppd):
                if random.random() > prob:
                    continue
                idx = offset + day * self.ppd + period
                subj = chrom[idx]

                # 判断是否为孤立节（前后节不同科目）
                is_single = True
                if period > 0 and chrom[idx - 1] == subj:
                    is_single = False
                if period < self.ppd - 1 and chrom[idx + 1] == subj:
                    is_single = False

                if not is_single:
                    continue

                # 尝试与相邻节交换
                candidates = []
                if period > 0:
                    candidates.append(idx - 1)
                if period < self.ppd - 1:
                    candidates.append(idx + 1)

                if candidates and random.random() < 0.3:
                    swap_idx = random.choice(candidates)
                    if chrom[swap_idx] in self.consecutive_subjects:
                        chrom[idx], chrom[swap_idx] = chrom[swap_idx], chrom[idx]
    return chrom

4.2 时段偏好权重

主科（语数英）排在上午（1-4节）效果更好，体美排在下午。GA在适应度函数中奖励时段分配合理的个体：

PERIOD_WEIGHTS = {
    0: 1.0, 1: 1.0,  # 第1-2节，权重最高
    2: 0.9, 3: 0.9,  # 第3-4节，权重较高
    4: 0.6, 5: 0.6,  # 第5-6节
    6: 0.5, 7: 0.5   # 第7-8节，下午最低
}

def _period_score(self, chrom):
    """计算时段偏好得分：主科在上午得正分，体美在下午得正分"""
    score = 0.0
    main_subjects = {"yuwen", "shuxue", "yingyu"}  # 语数英
    afternoon_subjects = {"tiyu", "meishu", "yinyue", "laoji"}  # 体美

    for ci in range(self.n_classes):
        offset = ci * self.slots_per_class
        for day in range(self.days):
            for period in range(self.ppd):
                subj = chrom[offset + day * self.ppd + period]
                w = PERIOD_WEIGHTS.get(period, 0.5)
                if subj in main_subjects:
                    score += w       # 主科上午：加分
                elif subj in afternoon_subjects:
                    score -= w * 0.5 # 体美下午：轻微减分
    return score

---

五、实测数据与效果

5.1 多班并发压力测试（200代）

指标Gen 1Gen 31Gen 200变化 适应度-8444+3.45+57.35↗ 大幅提升 体育冲突200 ✅立即收敛 教师冲突200 ✅立即收敛 互斥冲突500 ✅立即收敛 连堂对数5611↗ 持续优化

5.2 约束满足率

硬约束满足率：100%（所有硬约束归零）

软约束优化率：+120%（连堂对数从5→11）

计算效率：7.9秒/200代（峰值内存31MB）

---

六、工程实践建议

6.1 惩罚系数调参经验

惩罚系数是GA排课的核心超参数。经验法则：

约束类型系数范围建议值 绝对硬约束（不可违反）10³ ~ 10⁶5000 强约束（几乎不可违反）10² ~ 10³500 软约束（可适当违反）1 ~ 105~8 奖励项（越多越好）正分2~10

6.2 内存优化

当学校规模较大（>20班）时，染色体数组可能占用大量内存：

# 使用 numpy 而非 Python list，内存节省约10倍
self.population = np.array([...])  # uint8 足矣

# 每50代强制GC，防止内存碎片化
if gen % 50 == 0:
    gc.collect()

6.3 早停策略

当硬约束归零后，可提前停止以节省计算资源：

if H_pe == 0 and H_tc == 0 and H_me == 0:
    print("硬约束已全部满足，可停止进化")
    break

---

结语

排课V2.0的GA约束体系体现了"硬约束用惩罚过滤，软约束用奖励优化"的经典思想。实测数据表明，3班并发场景下，200代内即可同时满足所有硬约束并显著优化软约束。

下一步方向：

合班课约束（多班同一节次，同一教师）

教师互斥约束（A老师与B老师不能同时上课）

单双周课程（排0.5节，交替出现）

完整源码：https://github.com/xxx/paike-v2

---

本文为某中学教务教研系统技术博客系列第五篇。相关项目：排课系统 / 成绩分析报表 / 教务自动化

---

某中学 · 教务教研数字化实践 · 2026
技术栈：Python · NumPy · FastAPI · python-docx