本文介绍在 optaplanner（或其演进版 timefold）中，当主调度问题无法获得零硬分最优解时，如何通过手动调整变量（如延长工作日、增配资源等）构建多个变体问题，并利用 solvermanager 并行求解，从而提升可行性与鲁棒性。
本文介绍在 optaplanner（或其演进版 timefold）中，当主调度问题无法获得零硬分最优解时，如何通过手动调整变量（如延长工作日、增配资源等）构建多个变体问题，并利用 solvermanager 并行求解，从而提升可行性与鲁棒性。
在实际排程场景中（例如为多组人员分配会议室，约束包括时段长度（分钟）、每日可用时长（小时）、房间数量等），我们常将“零硬分”设为理想解目标。但受限于资源刚性与约束冲突，求解器可能无法达成该目标。此时，业务上往往需要快速提供可行替代方案——比如：
- 将每日可用时长从 8 小时增至 9 小时；
- 将单组占用时长从 60 分钟缩短至 45 分钟；
- 增加 1–2 间可用会议室。
OptaPlanner 和 Timefold 原生不提供自动参数调优或“失败后自适应重试”机制，但它们完全支持你以编程方式构造多个逻辑独立的问题实例，并并发执行求解。核心工具是 SolverManager，它专为异步、多实例、生命周期可控的求解场景设计。
以下是一个典型实现流程（基于 Timefold 1.13+ / OptaPlanner 8.30+）：
// 1. 构建原始问题（基准方案）
RoomSchedule baseProblem = buildBaseSchedule(rooms, people, dayLengthHours: 8);
// 2. 构建变体问题（多种调整策略）
RoomSchedule extendedDay = buildBaseSchedule(rooms, people, dayLengthHours: 9);
RoomSchedule shorterSlot = buildShorterSlotSchedule(rooms, people, slotMinutes: 45);
RoomSchedule extraRooms = buildWithExtraRooms(rooms + 2, people, dayLengthHours: 8);
// 3. 启动并行求解（每个问题使用独立 solver config 或相同配置）
SolverManager<RoomSchedule, UUID> solverManager = SolverManager.create(solverConfig);
List<CompletableFuture<Solution>> futures = List.of(
solverManager.solveAndListen(UUID.randomUUID(), () -> baseProblem, this::updateBaseSolution),
solverManager.solveAndListen(UUID.randomUUID(), () -> extendedDay, this::updateExtendedSolution),
solverManager.solveAndListen(UUID.randomUUID(), () -> shorterSlot, this::updateShorterSolution),
solverManager.solveAndListen(UUID.randomUUID(), () -> extraRooms, this::updateExtraRoomsSolution)
);
// 4. 汇总结果，按硬分→软分排序，返回首个可行解（hardScore == 0）或最佳近似解
CompletableFuture.allOf(futures.toArray(new CompletableFuture[0]))
.thenRun(() -> {
List<Solution> results = futures.stream()
.map(CompletableFuture::join)
.sorted(Comparator.comparing(RoomSchedule::getHardScore).reversed()
.thenComparing(RoomSchedule::getSoftScore).reversed())
.collect(Collectors.toList());
selectBestAndNotify(results);
});⚠️ 关键注意事项：
- 内存与线程安全：每个 solveAndListen() 实例持有独立的 Solution 副本，但需确保输入数据（如 RoomSchedule）是不可变或深拷贝的，避免跨求解器污染；
- 资源配置：并行求解会显著增加 CPU 与内存开销，建议根据硬件核数限制并发数（如 SolverManager 可配置 parallelSolverCount）；
- 终止策略统一：推荐为所有变体设置一致的 termination（如 bestScoreLimit 或 spentTimeSeconds），确保公平比较；
- 结果解释权在应用层：框架不判断“哪个变体更优”，需业务逻辑定义优先级（例如：优先接受时间延长，其次增室，最后压缩时长）。
总结而言，虽然 OptaPlanner/Timefold 不内置“自动参数扰动重试”功能，但其设计高度开放——通过组合 SolverManager、领域模型灵活构建与结果聚合策略，可高效实现多策略并行探索。这不仅适用于会议室调度，也广泛适用于班次排程、车辆路径、云资源分配等对鲁棒性要求高的优化场景。
