Apache OptaPlanner 评分计算机制深度解析

1. 评分系统基础概念

Apache OptaPlanner 是一个约束求解器，它通过评分机制来评估和比较不同的解决方案。评分系统是整个规划过程的核心，决定了求解器如何寻找最优解。

1.1 什么是评分？

在 OptaPlanner 中，每个解决方案（@PlanningSolution）都有一个评分（Score）。评分是客观比较两个解决方案优劣的标准：

• 评分越高的解决方案越好
• 求解器（Solver）的目标是找到所有可能解决方案中评分最高的
• 最佳解决方案（best solution）是求解过程中遇到的最高评分方案
• 最优解决方案（optimal solution）是所有可能方案中理论上的最高评分方案

1.2 业务约束的形式化

OptaPlanner 无法自动理解什么样的解决方案最适合您的业务需求，因此您需要通过以下方式定义评分计算规则：

1. 评分符号（正/负）：决定是最大化还是最小化某类约束
2. 评分权重：为不同约束设置不同的成本/收益值
3. 评分级别（硬约束、软约束等）：对约束类型进行优先级分组
4. 帕累托评分（较少使用）

2. 评分约束的核心要素

2.1 约束符号（正/负）

约束可以是简单的模式，如"最大化解决方案中的苹果收成"或更复杂的模式：

• 正约束：需要最大化的约束
• 负约束：需要最小化的约束

无论约束是正是负，最优解总是具有最高评分的方案。

2.2 约束权重

并非所有约束都同等重要。权重决定了不同约束的相对重要性：

• 在车辆路径规划中，可以让一个"司机不满意"约束的权重等于两个"油箱使用"约束
• 在云资源平衡中，不同计算机的维护成本可能不同

2.3 约束级别（硬约束、软约束等）

当某些约束绝对优先于其他约束时，应使用不同级别：

• 硬约束：必须满足的约束（如护士不能同时上两个班）
• 软约束：希望满足但不是必须的约束（如护士的偏好班次）

大多数用例使用两个评分级别（硬和软），比较时按字典顺序进行。

3. 评分类型选择

OptaPlanner 提供了多种评分类型，根据需求选择合适的类型：

3.1 SimpleScore

最简单的评分类型，只有一个整数值：

@PlanningScore
private SimpleScore score;

变体：

• SimpleLongScore：使用 long 值
• SimpleBigDecimalScore：使用 BigDecimal 值

3.2 HardSoftScore（推荐）

最常用的评分类型，包含硬约束和软约束两个级别：

@PlanningScore
private HardSoftScore score;

变体：

• HardSoftLongScore
• HardSoftBigDecimalScore

3.3 HardMediumSoftScore

三个级别的评分类型（硬、中、软）：

@PlanningScore
private HardMediumSoftScore score;

3.4 BendableScore

可配置多个评分级别的灵活评分类型：

@PlanningScore(bendableHardLevelsSize = 2, bendableSoftLevelsSize = 3)
private BendableScore score;

4. 评分计算实现方式

4.1 避免使用浮点数

在评分计算中应避免使用 float 或 double，原因包括：

1. 浮点数无法精确表示十进制数
2. 浮点运算可能导致不正确的结果
3. 浮点加法不满足结合律

推荐替代方案：

• 使用 BigDecimal（精度高但性能较低）
• 使用缩放后的 long（性能较好）

4.2 评分计算类型

OptaPlanner 支持多种评分计算方式：

1. 简易 Java 评分计算：所有约束实现在单一 Java 方法中，简单但不适合大规模问题
2. 约束流评分计算：每个约束作为单独的约束流实现，快速且可扩展
3. 增量 Java 评分计算：通过多个底层方法实现，性能好但实现复杂

5. 最佳实践建议

1. 不要假设业务约束一成不变：预期约束会随着版本迭代而增减修改
2. 避免过早优化约束权重：初期可使用约束配置让用户通过UI调整
3. 不要过度使用评分级别：大多数情况下两个级别（硬和软）足够
4. 考虑使用 HardSoftScore：除非有特殊需求，否则这是最通用的选择
5. 优先考虑可维护性：复杂的评分实现可能带来维护困难

通过合理设计评分系统，您可以确保 OptaPlanner 找到的解决方案真正符合业务需求。记住，良好的评分设计比算法优化更能影响最终结果的质量。