本文深入探讨optaplanner的分数比较机制，重点解析硬性、中性、软性分数等级的优先级。我们将阐明optaplanner如何根据分数等级从硬到软进行逐级比较，并指导开发者如何通过精确定义约束和合理分配分数权重，确保不符合核心业务规则的解决方案被有效“拒绝”，从而避免次优解被采纳，提升排程结果的质量和实用性。
OptaPlanner作为一款强大的开源规划引擎，其核心在于通过分数来评估解决方案的质量。理解其分数机制，尤其是硬性(Hard)、中性(Medium)和软性(Soft)分数的比较逻辑，对于设计高效且符合业务需求的排程方案至关重要。
OptaPlanner分数机制与比较逻辑
OptaPlanner的解决方案质量由一个多层次的分数对象（通常是Hard/Medium/Soft分数）来衡量。分数比较遵循严格的优先级规则：
- 从左到右，从硬到软： OptaPlanner总是首先比较最硬的分数（Hard Score）。
- 数值越大越好： 在同一分数等级下，数值越大表示解决方案越优。
- 逐级比较： 如果两个解决方案的硬性分数相同，OptaPlanner会继续比较中性分数；如果中性分数也相同，则比较软性分数。
例如，考虑以下分数：
- A: (6hard/-1medium/0soft)
- B: (5hard/3medium/2soft)
- C: (1hard/0medium/0soft)
根据OptaPlanner的比较规则，它们的优劣顺序是：A > B > C。
- A比B优越，因为它的硬性分数（6）高于B的硬性分数（5）。尽管A的中性分数是负数，但这并不影响其在硬性分数层面上的优势。
- B比C优越，因为它的硬性分数（5）高于C的硬性分数（1）。
这表明，即使某个解决方案在较软的分数等级上存在负值（例如，中性或软性分数），只要其在较硬的分数等级上表现更优，它仍然会被OptaPlanner认为是更好的解决方案。
约束定义与分数权重：确保解决方案的有效性
用户在设计排程方案时，常遇到的一个挑战是：如何确保某些不可接受的条件发生时，OptaPlanner能够彻底“拒绝”该解决方案，而不是仅仅因为在其他方面表现较好而接受它。这本质上是关于如何将业务规则准确地映射到约束类型（硬性、中性、软性）及其权重上。
1. 识别核心业务规则：硬性约束
如果某个条件是绝对不能违反的，一旦违反就意味着解决方案是无效或不可行的，那么它必须被定义为硬性约束（Hard Constraint）。
- 示例场景： 销售代表的工作时间约束。如果销售代表被安排在非工作时间进行预约，这通常是不可接受的。
- 实现方式： 为此类违规行为施加一个负的硬性分数惩罚（例如，每违反一次扣除-1hard）。
代码示例（Drl文件片段）：
rule "Sales rep work timing violation"
when
Appointment( $appointmentStart : startTime, $appointmentEnd : endTime, $salesperson : salesperson )
$salespersonWorkDay : SalespersonWorkDay(
salesperson == $salesperson,
workStartTime > $appointmentStart || workEndTime < $appointmentEnd
)
then
// 如果预约时间超出销售代表的工作时间，施加硬性惩罚
scoreHolder.addHardConstraintMatch(kcontext, -1);
end
rule "One appointment at a time violation"
when
Appointment( $id1 : id, $start1 : startTime, $end1 : endTime, $salesperson : salesperson )
Appointment( $id2 : id, $start2 : startTime, $end2 : endTime, salesperson == $salesperson, $id1 < $id2 )
// 检查两个预约是否存在时间重叠
eval( $start1.isBefore($end2) && $start2.isBefore($end1) )
then
// 同一销售代表在同一时间有多个预约，施加硬性惩罚
scoreHolder.addHardConstraintMatch(kcontext, -1);
end在上述示例中，任何对销售代表工作时间或并发预约的违反都会导致硬性分数降低。只要最终解决方案的硬性分数是负数，它就劣于任何硬性分数非负的解决方案。如果所有硬性约束都被满足（硬性分数非负），OptaPlanner才会考虑中性分数和软性分数。
2. 识别次要优化目标：中性约束
如果某个条件是希望满足但并非强制性的，违反它会降低解决方案的质量但不会使其完全无效，那么可以定义为中性约束（Medium Constraint）。
- 示例场景： 最小化销售代表的行程距离。行程距离过长会增加成本，但并非不可接受。
- 实现方式： 施加一个负的中性分数惩罚。
3. 识别偏好和精细调整：软性约束
如果某个条件仅仅是一种偏好，用于在其他所有条件都满足的情况下进一步优化解决方案，那么可以定义为软性约束（Soft Constraint）。
- 示例场景： 优先安排经验丰富的销售代表处理重要客户。
- 实现方式： 施加一个负的软性分数惩罚。
注意事项与最佳实践
- 明确业务规则优先级： 在开始设计约束之前，务必与业务方充分沟通，明确哪些规则是必须遵守的（硬性），哪些是需要优化的（中性），哪些是偏好（软性）。
- 避免滥用硬性约束： 如果将过多的规则定义为硬性约束，可能会导致OptaPlanner难以找到任何有效解，甚至出现“无解”的情况。只对真正不可违反的规则使用硬性约束。
- 合理设置惩罚值： 惩罚值的大小应反映违规的严重程度。对于硬性约束，通常每个违规扣除-1就足够了，因为其优先级最高。对于中性或软性约束，可以根据业务需求设置不同的权重。
- 迭代与测试： 约束设计是一个迭代过程。初始设计后，通过运行OptaPlanner并分析结果，可能会发现需要调整约束类型或权重。
总结
OptaPlanner的分数机制是其核心，理解“硬性分数优先于中性分数，中性分数优先于软性分数”的比较原则至关重要。若要“拒绝”一个不符合核心业务规则的解决方案，开发者必须将其定义为硬性约束，并确保任何违反都会导致一个负的硬性分数。OptaPlanner不会因为中性或软性分数是负数就自动拒绝一个硬性分数更好的解决方案。通过精确地将业务规则映射到适当的约束类型和权重，我们可以有效地引导OptaPlanner找到既可行又高质量的排程方案。
