智能排课系统 - 基于遗传算法的完整解决方案

V2.0更新内容：

把代码中的schedule_result改为了schedule以正确写入数据

把代码中的task_relations改为了task_relation_constraints以正确写入数据

添加可视化脚本view_schedule

在db_connector中修改了关系约束的查询方式以使其能正常运行

系统概述

这是一个功能完备的智能排课系统，采用高级遗传算法解决复杂的课程排课优化问题。系统严格遵循教学规律，支持多种约束条件，并实现了智能的课程时段分配策略。

🎯 核心特性

• 智能优先级排序：课时长度优先 + 课程性质优先，避免时间块冲突
• 课程时段智能分配：必修课优先安排在白天黄金时段
• 严格约束检查：零冲突保证 + 完整性验证
• 高效算法：基于遗传算法的全局优化
• 生产就绪：完整的日志、错误处理和结果验证

文件结构

d:\suanf\
├── suan2.py                    # 主程序入口
├── data_models.py              # 数据模型定义 (包含完整字段映射)
├── db_connector.py             # 数据库连接器 (优化后查询)
├── genetic_algorithm.py        # 遗传算法核心 (智能排序+时段偏好)
├── test_data_generator.py      # 测试数据生成器 (新字段支持)
├── verify_data.py              # 数据验证脚本
├── verify_schedule_results.py  # 排课结果验证脚本
├── check_data_scale.py         # 数据规模检查和参数推荐
├── test_optimization.py        # 算法优化测试
├── scheduling.log              # 系统运行日志
└── README.md                   # 本说明文件

环境要求

• Python 3.9+
• PyMySQL 1.0+
• MySQL 5.7+ 或 MariaDB 10.3+

快速安装

1. 克隆或下载项目文件

2. 创建虚拟环境（推荐）

# Windows
python -m venv venv
.\venv\Scripts\activate

# Linux/Mac
python -m venv venv
source venv/bin/activate

3. 安装依赖

pip install pymysql

数据库配置

1. 创建数据库

CREATE DATABASE `paike2` CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

2. 执行表结构 SQL

使用提供的 表3.txt 中的 SQL 脚本创建完整的表结构。

3. 数据库连接配置

默认连接参数：

• Host: localhost
• User: root
• Password: 123456
• Database: paike2

可通过环境变量自定义：

# Windows PowerShell
$env:DB_HOST="localhost"
$env:DB_USER="root"
$env:DB_PASSWORD="123456"
$env:DB_NAME="paike2"

# Linux/Mac
export DB_HOST="localhost"
export DB_USER="root"
export DB_PASSWORD="123456"
export DB_NAME="paike2"

快速开始

场景一：使用现有数据（推荐）

如果您已经有了完整的排课数据，可以直接开始排课：

# 1. 激活虚拟环境
.\venv\Scripts\activate  # Windows
# source venv/bin/activate  # Linux/Mac

# 2. 检查数据规模并获得推荐参数
python check_data_scale.py

# 3. 验证数据完整性
python verify_data.py

# 4. 运行排课算法（使用推荐参数）
python suan2.py --version 1 --population 30 --generations 50

# 5. 验证排课结果
python verify_schedule_results.py

场景二：从零开始（测试数据）

如果您需要生成测试数据来体验系统：

# 1. 激活虚拟环境
.\venv\Scripts\activate  # Windows
# source venv/bin/activate  # Linux/Mac

# 2. 生成完整测试数据集
python test_data_generator.py

# 3. 验证数据完整性
python verify_data.py

# 4. 运行排课算法
python suan2.py --version 1 --population 30 --generations 50

# 5. 验证排课结果
python verify_schedule_results.py

命令行参数

参数	说明	默认值
--version	排课版本 ID（必需）	-
--population	种群大小	100
--generations	进化代数	200
--crossover-rate	交叉率	0.8
--mutation-rate	变异率	0.1
--tournament-size	锦标赛大小	5
--elitism-size	精英个体数量	10
--max-stagnation	最大停滞代数	50

算法核心特性

🔥 智能排课优先级 (解决时间块冲突问题)

1. 课时长度优先：4节课 > 3节课 > 2节课
   ✓ 避免2节课占用3节课专用时间块
   ✓ 确保长课程优先获得合适的时间段

2. 课程性质优先：通识 > 必修 > 选修
   ✓ 重要课程优先安排

3. 学生人数优先：大班 > 小班
   ✓ 合班课程优先安排

4. 总学时优先：高学时 > 低学时
   ✓ 学分高的课程优先安排

🌟 课程时段智能分配

必修课 + 通识课：
- 优先安排在周一至周五的 1-10 节（黄金时段）
- 惩罚安排在晚上 11-13 节（惩罚 500 分）
- 惩罚安排在周末（惩罚 300 分）

选修课：
- 可以安排在任何时段（包括晚上、周末）
- 占用黄金时段会有轻微惩罚（惩罚 50 分）

🎯 严格时间块设计

2节连堂课：可选时间块
- 1-2节、3-4节、6-7节、9-10节、11-12节

3节连堂课：专用时间块
- 3-5节、6-8节、11-13节

4节连堂课：专用时间块
- 1-4节、6-9节

⚠️ 重要：2节课不能占用3节课的完整时间块！

🚫 硬约束（违反直接淘汰）

• ✅ 时空唯一性：同一教师/班级/教室在同一时间只能有一门课
• ✅ 教室容量：教室容量必须 ≥ 实际上课人数
• ✅ 设施要求：必须满足课程的强制设施要求
• ✅ 教师黑名单：不能在教师禁止的时间安排课程
• ✅ 周四下午锁定：周四下午 6-13 节不安排任何课程
• ✅ 时间块完整性：课程必须安排在合法的连续时间块内

🎨 软约束优化（通过惩罚分数引导）

• 🕐 课程时段偏好：必修课白天优先（新增功能）
• 👨‍🏫 教师时间偏好：尊重教师的偏好和避免时段
• 🚌 校区通勤优化：同一教师同一天尽量在同一校区
• 🏫 连堂课同教室：连续课程尽量安排在同一教室
• 📊 教室利用率：减少教室容量浪费
• 📚 学生负荷均衡：避免学生一天课程过多或过散
• 🔗 任务关系约束：处理课程间的时间关系要求

运行示例与结果

成功运行输出示例

2025-09-20 21:55:18,112 - genetic_algorithm - INFO - 开始遗传算法进化
2025-09-20 21:55:18,256 - genetic_algorithm - INFO - 第 0 代，新的最佳适应度: -10047.00
2025-09-20 21:55:18,622 - genetic_algorithm - INFO - 算法停滞 50 代，提前结束
2025-09-20 21:55:18,637 - genetic_algorithm - INFO - 进化完成，最终最佳适应度: -10047.00
2025-09-20 21:55:18,656 - __main__ - INFO - 排课覆盖率: 100.0% (9/9)
2025-09-20 21:55:18,657 - __main__ - INFO - ✓ 没有发现硬冲突
2025-09-20 21:55:18,658 - __main__ - INFO - 教室平均利用率: 136.1%
2025-09-20 21:55:18,659 - __main__ - INFO - 排课完成，总耗时: 0.56 秒

典型排课结果

任务1: C001(必修) - 教室CR006
  时间: 周二 3-5节 (共3节) ✓ 课时匹配

任务2: C001(必修) - 教室CR006
  时间: 周五 1-2节 (共2节) ✓ 课时匹配

任务7: C004(选修) - 教室CR005
  时间: 周二 9-10节 (共2节) ✓ 课时匹配

检查时间冲突:
  ✓ 没有教师时间冲突
  ✓ 没有教室时间冲突

性能优化建议

小规模数据（<50 个任务）

python suan2.py --version 1 --population 50 --generations 100

中等规模数据（50-200 个任务）

python suan2.py --version 1 --population 100 --generations 200

大规模数据（>200 个任务）

python suan2.py --version 1 --population 150 --generations 300 --max-stagnation 80

🛠️ 故障排除

常见问题及解决方案

❌ Field 'start_week' doesn't have a default value

原因：数据库表结构版本不匹配
解决：

1. 确保使用最新的 表3.txt SQL 脚本
2. 重新创建表结构或添加缺失字段
3. 重新运行 test_data_generator.py

❌ CourseOffering.__init__() got an unexpected keyword argument 'created_at'

原因：数据模型与数据库字段不匹配
解决：系统已修复，数据库查询只选择必要字段

❌ 提示"没有找到教学任务"

解决：

1. 检查 course_offerings 表中学期数据
2. 验证 teaching_tasks 表有对应记录
3. 运行 verify_data.py 检查数据完整性

❌ 算法收敛很慢或适应度很低

解决：

1. 增大种群大小：--population 200
2. 检查约束是否过于严格
3. 验证教师数量是否充足

❌ 教室利用率很低

说明：这是正常现象，系统优先保证约束满足

⚙️ 系统扩展

添加新的软约束

1. 在 genetic_algorithm.py 的 fitness() 方法中添加检查逻辑
2. 在 _default_config() 中添加相应的惩罚分数
3. 可参考 _check_course_time_preference() 方法

添加新的数据字段

1. 更新 data_models.py 中的数据类
2. 更新 db_connector.py 中的 SQL 查询
3. 重新生成测试数据

自定义时间块规则

修改 data_models.py 中的 TIME_WINDOWS 和相关函数

调整课程时段偏好

修改 genetic_algorithm.py 中的：

• _get_preferred_time_slots() 方法
• _check_course_time_preference() 方法
• 配置中的惩罚分数

📊 性能基准

数据规模	推荐配置	预期运行时间	内存使用
小型 (<50 任务)	pop=50, gen=100	<30 秒	<100MB
中型 (50-200 任务)	pop=100, gen=200	1-5 分钟	<500MB
大型 (>200 任务)	pop=200, gen=300	5-30 分钟	<1GB

🔧 开发模式

启用调试日志

# 在 suan2.py 中修改日志级别
logging.basicConfig(level=logging.DEBUG)

快速测试小数据集

python suan2.py --version 1 --population 10 --generations 5

📜 更新日志

v2.0 (2025-09-20)

• ✅ 解决了数据库字段不匹配问题
• ✅ 新增智能课程时段分配（必修课白天优先）
• ✅ 新增课时长度优先排序，解决时间块冲突
• ✅ 完善的结果验证和冲突检查
• ✅ 优化数据库查询性能
• ✅ 新增详细的故障排除指南

v1.0 (初始版本)

• 基础遗传算法实现
• 硬约束和软约束处理
• 数据库集成

🤝 技术支持

遇到问题时的检查顺序：

1. 查看日志：检查 scheduling.log 文件
2. 验证数据：运行 verify_data.py
3. 检查结果：运行 verify_schedule_results.py
4. 数据库连接：确认 MySQL 服务和连接参数
5. 环境依赖：确认 Python 版本和 PyMySQL 安装

系统采用模块化设计，便于维护和功能扩展。所有核心算法都有详细注释，支持二次开发。