OptaPlanner通过分层比较分数来评估解决方案，即从最硬到最软。用户常见的误解是，即使存在负值，OptaPlanner仍可能选择“次优”方案。本文将深入探讨OptaPlanner的评分机制，并指导如何通过重新定义约束权重，确保解决方案的评分逻辑与业务需求完全对齐，从而避免不符合预期的结果。
理解OptaPlanner的评分机制
OptaPlanner在评估解决方案的质量时，采用一种严格的层级比较方法。它从最硬（Hard）的得分层面开始，依次向中等（Medium）、最软（Soft）的得分层面进行比较。在任何一个得分层面，数值更高（或在负数语境下，绝对值更小，即更接近零或正数）的解决方案被认为是更优的。只有当当前层面的得分完全相等时，OptaPlanner才会继续比较下一个更软的层面。
例如，考虑以下分数对比：
// 示例分数：(HardScore / MediumScore / SoftScore) (6hard / -1medium / 0soft) (5hard / 3medium / 2soft) (1hard / 0medium / 0soft)
根据OptaPlanner的规则，它们的比较结果如下：
(6hard / -1medium / 0soft) > (5hard / 3medium / 2soft) > (1hard / 0medium / 0soft)
这是因为在硬分数层面，6hard 优于 5hard，而 5hard 又优于 1hard。即使第一个解决方案包含了一个负的“中等”分数（-1medium），但由于其“硬”分数更高，它仍然被OptaPlanner视为整体上更优的解决方案。这里的核心原则是：一个层面的更高分数（代表更好的表现或更少的惩罚）总是优先于更软层面的任何分数差异。
TURF（开源）权限定制管理系统（以下简称“TURF系统”），是蓝水工作室推出的一套基于软件边界设计理念研发的具有可定制性的权限管理系统。TURF系统充分考虑了易用性，将配置、设定等操作进行了图形化设计，完全在web界面实现，程序员只需在所要控制的程序中简单调用一个函数，即可实现严格的程序权限管控，管控力度除可达到文件级别外，还可达到代码级别，即可精确控制到
为什么OptaPlanner会选择“不理想”的方案？
用户在调度场景中（例如为销售人员分配预约）可能会遇到这样的困惑：即使某些约束被“惩罚”了（例如，产生了负分数），OptaPlanner仍然选择了他们认为“不正确”的解决方案。用户希望能够完全拒绝任何包含负分数的解决方案，即只接受所有分数层面都为正值的方案。
这种期望与OptaPlanner的默认评分逻辑之间存在根本性的差异。OptaPlanner将分数视为解决方案质量的度量：更高的分数意味着更好的解决方案。如果一个解决方案的硬分数更高，即使它的中等或软分数是负值，OptaPlanner依然会认为它优于硬分数较低的方案。
问题不在于OptaPlanner是否“接受”负分数，而在于如何定义这些分数的含义以及它们在层级中的重要性。如果 6hard 确实代表了某种“更好”的状态，而 -1medium 代表了某种“惩罚”，那么 OptaPlanner 会按照其既定规则进行比较。如果业务上认为 -1medium 的惩罚是绝对不可接受的，即使有 6hard 的“好处”，那么这种“不可接受性”必须体现在更硬的约束层面。
解决方案：重新定义约束权重
要确保OptaPlanner的决策符合您的业务逻辑，关键在于准确地定义和加权您的约束。如果一个解决方案因为某个“中等”或“软性”的违规而变得完全不可接受，那么这个违规就应该被提升为
