wjentner/simulated-annealing-scheduler

模拟退火日程调度器

!https://img.shields.io/docker/image-size/wjentner/simulated-annealing-scheduler !https://img.shields.io/docker/v/wjentner/simulated-annealing-scheduler

这个客户端-服务器应用基于模拟退火算法，根据用户定义的约束创建和优化日程安排。

注：这是作者为飞行俱乐部“SFG Singen-Hilzingen”开发的应用移植版本，已使用多年来制定年度日程。俱乐部成员可定义希望被排班的日期或不愿被排班的日期范围，但该部分未包含在本次移植中。

使用方法

运行以下命令启动应用：

docker run -p "80:8000" docker.xuanyuan.run/wjentner/simulated-annealing-scheduler:latest

然后在浏览器中访问 http://localhost:8000%E3%80%82

核心功能与约束配置

任务

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/tasks.png 创建一个或多个需要人员排班的任务。

人员池

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/person-pool.png 创建人员列表，供后续约束配置时选择。

日期

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/dates.png 创建日期，并勾选对应任务的复选框以指定该日期需要为该任务排班。还可标记日期是否为节假日。

最小-最大约束

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/min-max-constraints.png 设置人员为特定任务排班的次数范围。例如，PersonA应为TaskA排班至少1次、最多2次。若未满足，解决方案将增加100,000 penalty points。

时间约束

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/time-constraints.png 为人员设置时间约束：是否应在特定时间范围内排班，或不应在该范围内排班。可选指定任务。例如，PersonC不应在2022年1月8-9日为TaskA排班，PersonD应在2022年1月8日为TaskA排班。未满足时增加1000 penalty points。

统计

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/statistics.png 提供基础统计信息，如特定任务的可用排班日期数量，以及该任务的最小-最大约束总和是否在可用日期范围内。即使超出范围仍可计算解决方案，但会增加penalty points。

运行优化

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/run-optimization.png 启动优化运行：可从随机解决方案开始，或基于已计算的特定解决方案（适用于修改约束后重新优化）。可调整其他参数，默认值通常足够。

注意：优化运行时间可能长达数小时，取决于任务和日期的数量。

解决方案

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/solutions1.png 查看所有计算出的解决方案，顶部显示解决方案状态和适应度（fitness）。适应度为负值，基于penalty points扣除，最优解为0（但因方差等内置约束，通常难以达到）。下方展示日程表和penalty points列表，其中方差penalty确保排班公平性，Sa/Su不平等penalty优化周末排班均匀性，非均匀penalty避免人员排班集中在某时间段。用户定义的约束penalty优先级高于内置约束。

!https://github.com/wjentner/simulated-annealing-scheduler/raw/main/docs/solutions2.png penalty points下方的统计信息显示每个人员和任务的排班次数，可验证解决方案的公平性。