1. 项目概述当机器学习成为焦点时别忘了那些“老派”的智能算法最近几年机器学习Machine Learning无疑是技术圈最炙手可热的话题。无论是大语言模型还是图像生成似乎所有关于“智能”的讨论都围绕着神经网络和深度学习展开。作为一名在软件开发和算法领域摸爬滚打了十多年的从业者我目睹了这种热潮也深知它的价值。但与此同时我常常感到一种担忧我们是不是过于聚焦于这一种工具而忽略了算法工具箱里其他同样强大、甚至在某些场景下更为关键的“老伙计”这让我想起了一个实际项目中遇到的经典难题为一所大学的课程排课。需求听起来很简单有10门课每门课时长不同1到3小时每周需要安排1到3次所有课程必须挤进一间教室时间只能在周一至周五的上午8点到11点半、下午1点到5点之间并且要避开午休。课程只能以15分钟为最小单位开始。当我第一次看到这个需求时直觉告诉我这无非是个复杂的排列组合问题。但当我真正开始计算可能性时结果让我倒吸一口凉气这是一个拥有大约10²⁴⁹⁰种可能配置的搜索空间。作为对比可观测宇宙中的原子数大约是10⁸⁰个。这个数字的庞大程度完全超出了常规迭代方法的处理能力。这个问题本质上属于“NP-Hard”领域是运筹学Operations Research中的经典课题。运筹学不是什么新潮的概念但它提供的算法——如线性规划、整数规划、元启发式算法等——却是解决许多实际优化问题的基石。从最大化工厂产能利润、编排医院护士排班、优化铁路网络准点率到简单地解一个数独Sudoku这些算法无处不在。有趣的是机器学习本身的核心也是一个优化问题。今天我想分享的正是如何运用一种经典的树搜索Tree Search算法结合约束建模的思想来自动化地解决这类离散调度问题。我们将用Kotlin语言从零开始构建一个求解器最终生成一份合理、无冲突的大学课程表。这种方法论的价值在于其通用性你完全可以将其迁移到员工排班、生产线调度、云计算任务编排乃至构建简单的棋类AI上。2. 核心思路拆解从数独到课表理解约束满足与树搜索在直接深入代码之前我们必须先建立起解决问题的核心逻辑框架。盲目编码只会陷入泥潭。我解决问题的习惯是先找到一个更简单、更直观的类比模型。在这里数独Sudoku成为了完美的思维跳板。2.1 数独求解的启示约束传播与回溯搜索数独的规则众所周知9x9网格部分格子已填数字需要填入剩余数字使得每行、每列、每个3x3宫格都包含1-9且不重复。暴力破解所有空白格的所有可能组合其计算量同样是天文数字。高效的解法是什么是约束满足与**回溯搜索Backtracking Search**的结合。具体来说求解过程可以看作一个决策树变量选择我们不是随机选一个格子开始填。一个有效的启发式策略是总是选择当前候选数字最少的格子即最受约束的变量进行尝试。这能极大程度地提前触发失败减少无效搜索。值排序对于选中的格子按顺序尝试其可能的每一个数字例如1到9。约束传播每填入一个数字就立即更新与其同行、同列、同宫的其他格子的候选数字列表即移除刚填入的数字。如果某个格子的候选数字集变为空说明当前路径矛盾。回溯一旦发现矛盾即某格子无数可填就立即撤销上一步的选择回溯尝试该格子的下一个可能数字。如果所有数字都试遍仍矛盾则继续向上回溯。这个过程在计算机科学中被称为深度优先搜索DFS与剪枝Pruning的结合。剪枝的关键在于利用约束条件提前终止不可能成功的分支。我们的课程调度问题完全可以套用这个范式。2.2 将课程表抽象为约束满足问题现在我们把数独的棋盘换成我们的课程表网格。我们需要定义我们的“变量”、“值”和“约束”。变量Variables每一个决策点。在我们的模型中每个决策点是“某一门课的第一次课是否在某个特定的15分钟时间块开始”例如“心理学101Psych 101的第一次课是否在周一上午8:00开始”这就是一个变量。值Domain每个变量的取值范围。这很简单是一个二值决策1是或 0否。这本质上是一个0-1整数规划问题。约束Constraints这是模型的核心。我们的约束有每门课必须被安排恰好一次指第一次课的开始时间对于一门课在所有可能的时间块中有且仅有一个变量的值被设为1。课程时间不能重叠这是最关键的约束。任何两个课程如果它们在时间上存在重叠就不能被同时安排。课程必须安排在运营时间内不能安排在晚上、周末或午休时间。重复课程规则如果一门课每周上两次如周一、周三那么两次课必须间隔指定的天数如2天且开始时间相同。如何优雅地表达“时间不重叠”这个约束这是设计模型的精髓。一个高效的方法是进行“空间换时间”的预处理对于时间轴上的每一个15分钟块我们都可以找出所有“会影响这个块”的课程开始时间变量。举个例子假设“社会学101”课长1小时即占4个15分钟块。如果它在周一9:00开始那么它会占用周一9:00, 9:15, 9:30, 9:45这四个块。那么对于“周一9:45”这个块所有“开始时间在周一9:00、9:15、9:30、9:45的且课长足以覆盖到9:45的课程”的变量都会影响到它。约束就转化为对于任何一个时间块所有“影响”它的变量之和必须 ≤ 1。如果和为1表示恰好有一门课占用此块如果为0表示空闲如果大于1则冲突。这个模型的美妙之处在于它通过预计算“影响关系”将复杂的时空重叠检查转化为了大量简单的求和不等式约束。同时它也能自然地处理重复课程只需在计算“影响”时将后续几次课的时间块也考虑进去即可。2.3 求解策略带启发式的树搜索有了变量、值和约束我们就可以像解数独一样进行树搜索了变量排序启发式优先处理约束最强的变量。例如每周上3次的课如线性代数比上1次的课如心理学300选择更少应优先安排。通常我们会根据课程的重复次数、时长等因素对所有“课程-开始时间”变量进行排序。深度优先搜索与回溯从排序列表的第一个变量开始尝试将其设为1。然后进行约束传播立即将所有与该变量冲突的其他变量即那些如果设为1会导致任何时间块的和超过1的变量从待搜索列表中“剪枝”掉暂时标记为不可用或直接赋值为0。然后移动到下一个未赋值的变量。回溯如果某一步发现剩下的变量无法满足某门课必须被安排一次所有可能开始时间都被剪枝了的约束说明当前路径失败。算法将回溯到上一个决策点尝试将该变量设为0然后继续探索。终止条件当所有课程都被成功安排即每门课恰好有一个开始时间变量被设为1且所有时间块约束都满足时搜索成功输出方案。这种方法被称为分支定界法Branch and Bound的一种形式其中“定界”在这里体现为利用约束进行剪枝。虽然最坏情况下复杂度依然很高但良好的启发式和积极的剪枝能在极短时间内为我们的中等规模问题找到可行解。3. 实战构建用Kotlin实现课程调度求解器理论清晰后我们开始动手实现。我选择Kotlin因为它兼具Java的稳健和现代语言的简洁非常适合表达这种领域逻辑。整个项目结构围绕几个核心数据类展开。3.1 领域模型定义首先我们定义核心的数据结构这有助于厘清业务逻辑。import java.time.DayOfWeek import java.time.LocalDate import java.time.LocalDateTime import java.time.LocalTime // 1. 定义要安排的课程 data class ScheduledClass( val id: Int, val name: String, val hoursLength: Double, // 课程时长单位小时 val recurrences: Int, // 每周重复次数 val recurrenceGapDays: Int 2 // 重复课程间隔天数默认2天如周一、周三 ) { // 衍生属性课程需要占用的15分钟块数 val slotsNeededPerSession (hoursLength * 4).toInt() // 衍生属性重复间隔对应的块数每天24小时*每小时4个块 val gap recurrenceGapDays * 24 * 4 }接下来定义时间块。这是我们的离散时间轴的基本单位。// 2. 定义15分钟时间块 data class Block(val range: ClosedRangeLocalDateTime) { val timeRange range.start.toLocalTime()..range.endInclusive.toLocalTime() // 判断该块是否在可排课时间内工作日的8:00-11:30, 13:00-17:00且不在午休 val withinOperatingDay: Boolean by lazy { val start timeRange.start val end timeRange.endInclusive start in operatingDay end in operatingDay breaks.none { start in it } } companion object { // 生成一周内所有连续的15分钟块懒加载避免循环依赖 val all: ListBlock by lazy { val dates operatingDates // 假设operatingDates是周一至周五的日期范围 generateSequence(dates.start.atStartOfDay()) { dt - dt.plusMinutes(15).takeIf { it dates.endInclusive.atTime(23, 59) } } .map { Block(it..it.plusMinutes(15)) } .toList() } // 仅返回可排课时间内的块 val allInOperatingDay by lazy { all.filter { it.withinOperatingDay } } } }然后定义决策变量即“槽位”Slot它是课程与时间块的交叉点。// 3. 定义决策变量Slot课程在某个时间块开始的可能性 data class Slot(val block: Block, val scheduledClass: ScheduledClass) { var selected: Int? null // 决策值null未定1是开始时间0不是 companion object { // 生成所有可能的Slot笛卡尔积所有课程 × 所有时间块 val all: ListSlot by lazy { Block.all.asSequence().flatMap { block - ScheduledClass.all.asSequence().map { cls - Slot(block, cls) } }.toList() } } }3.2 约束建模的关键计算“影响关系”这是整个算法的引擎。我们需要一个函数对于任意一个时间块能快速找出所有“如果其值为1则会占用该时间块”的那些Slot。首先实现一个通用的滑动窗口函数用于处理课程的重复模式。这个函数是理解后续逻辑的难点但也是核心。enum class RecurrenceMode { FULL_ONLY, PARTIAL_ONLY } fun T ListT.affectedWindows( slotsNeeded: Int, gap: Int, recurrences: Int, mode: RecurrenceMode RecurrenceMode.FULL_ONLY ): ListListListT { return this.mapIndexed { i, _ - (0 until recurrences).map { r - val startIdx i (r * gap) this.subList(startIdx, (startIdx slotsNeeded).coerceAtMost(this.size)) } } .filter { windowGroup - when (mode) { RecurrenceMode.FULL_ONLY - windowGroup.size recurrences windowGroup.all { it.size slotsNeeded } RecurrenceMode.PARTIAL_ONLY - windowGroup.size recurrences || windowGroup.any { it.size slotsNeeded } } } }这个函数做了什么以一个列表[1,2,3,4,5,6,7,8,9,10]为例假设slotsNeeded3课长gap2间隔recurrences2重复2次。函数会遍历每个元素作为第一次课的开始位置i然后生成一个“窗口组”windowGroup。每个窗口组包含recurrences个列表每个列表代表一次课所占用的元素。以i0元素1开始第一次课占用[1,2,3]间隔gap2个元素后第二次课从igap2开始占用[3,4,5]。所以窗口组是[[1,2,3], [3,4,5]]。modeFULL_ONLY时只保留那些所有重复课次都完整即每个子列表长度都等于slotsNeeded的窗口组。这代表了有效的课程开始时间。modePARTIAL_ONLY时保留那些不完整的窗口组例如课程开始太晚最后一次课超出了列表边界。这代表了无效的开始时间对应的Slot应被固定为0。利用这个函数我们可以在ScheduledClass中扩展功能data class ScheduledClass(...) { // ... 其他属性同上 ... // 获取该课程所有可能的、完整的开始时间方案每个方案是一组Slot列表的列表 val recurrenceSlots: ListListListSlot by lazy { slots.affectedWindows( slotsNeeded slotsNeededPerSession, gap gap, recurrences recurrences, mode RecurrenceMode.FULL_ONLY ) } // 对于给定的Block找出本课程中所有“会影响”它的开始时间Slot fun affectingSlotsFor(block: Block): ListSlot { return recurrenceSlots.asSequence() .filter { windowGroup - // 只要这个开始时间方案中的任何一次课占用了这个block就说明这个方案对应的开始Slot“影响”了该block windowGroup.flatMap { it }.any { it.block block } } .map { windowGroup - windowGroup.first().first() } // 取出该方案对应的开始Slot .toList() } // 必须被固定为0的Slot无效的开始时间 val slotsFixedToZero: ListSlot by lazy { // 情况1不完整的开始时间方案PARTIAL_ONLY val broken slots.affectedWindows(slotsNeededPerSession, gap, recurrences, RecurrenceMode.PARTIAL_ONLY) .flatMap { it.asSequence() }.flatMap { it.asSequence() } // 拍平 // 情况2完整的方案但某次课落在了非运营时间如午休 val outsideHours recurrenceSlots.asSequence() .flatMap { windowGroup - windowGroup.asSequence() } .filter { sessionSlots - sessionSlots.any { !it.block.withinOperatingDay } } .map { it.first() } // 取开始Slot (broken outsideHours).distinct().onEach { it.selected 0 }.toList() } }最后在Block中我们可以快速获取所有影响它的Slotdata class Block(...) { // ... 其他属性同上 ... val affectingSlots: SetSlot by lazy { ScheduledClass.all.asSequence() .flatMap { it.affectingSlotsFor(this) } .toSet() } }至此我们建立了一个高效的“索引”系统。给定任意一个时间块block.affectingSlots能立刻返回所有可能占用它的课程开始时间Slot的集合。我们的核心约束——任何时间块其affectingSlots中被选为1的Slot数量不能超过1——就可以被高效地检查和维护了。3.3 实现树搜索算法现在我们实现核心的搜索递归函数。我们将搜索状态封装在BranchNode中。class BranchNode( val selectedValue: Int, // 当前节点为Slot选择的值1或0 restOfTree: ListSlot, // 剩余待决策的Slot列表 val previous: BranchNode? null // 父节点用于回溯 ) { val slot restOfTree.first() // 当前节点处理的Slot private val traverseBackwards generateSequence(this) { it.previous }.toList() // 从根到当前节点的路径 // 应用当前决策后剩余的可决策Slot进行剪枝 val remainingSlots: ListSlot by lazy { if (selectedValue 0) { // 如果当前Slot选0只移除它本身 restOfTree.minus(slot) } else { // 如果当前Slot选1需要移除 // 1. 同一课程的其他Slot一门课只能有一个开始时间 // 2. 所有与当前Slot冲突的Slot即共享了任意时间块的Slot val conflictedSlots slot.block.affectingSlots // 所有影响当前块的Slot .filter { it.selected null } // 只考虑未决策的 .toSet() restOfTree.asSequence() .filter { it.scheduledClass ! slot.scheduledClass } // 移除同课程其他Slot .filter { it !in conflictedSlots } // 移除冲突Slot .toList() } } // 检查当前分支是否已找到一个完整解所有课程都被安排了 val scheduleMet: Boolean get() traverseBackwards.asSequence() .filter { it.selectedValue 1 } .map { it.slot.scheduledClass } .distinct() .count() ScheduledClass.all.count() val isContinuable: Boolean get() !scheduleMet remainingSlots.isNotEmpty() val isSolution: Boolean get() scheduleMet fun applySolution() { slot.selected selectedValue } }接下来是主搜索函数它包含了启发式排序和递归遍历。fun executeBranchingSearch() { // 步骤1应用预约束将无效Slot固定为0 ScheduledClass.all.flatMap { it.slotsFixedToZero }.forEach { it.selected 0 } // 步骤2对未决策的Slot进行启发式排序最关键的一步 val sortedSlots Slot.all.asSequence() .filter { it.selected null } .sortedWith(compareBy( // 启发式1优先处理约束强的课程重复次数多 { val dow it.block.range.start.dayOfWeek when { // 3次重复的课必须从周一开始优先处理其周一的Slot dow DayOfWeek.MONDAY it.scheduledClass.recurrences 3 - -1000 // 3次重复的课在非周一的Slot靠后处理 dow ! DayOfWeek.MONDAY it.scheduledClass.recurrences 3 - 1000 // 2次重复的课优先在周一/三处理 dow in DayOfWeek.MONDAY..DayOfWeek.WEDNESDAY it.scheduledClass.recurrences 2 - -500 // 其他靠后 else - 0 } }, // 启发式2优先处理一周中较早的时间 { it.block.range.start }, // 启发式3优先处理课时长的课程灵活性更差 { -it.scheduledClass.slotsNeededPerSession } )) .toList() // 步骤3递归搜索函数 fun traverse(currentBranch: BranchNode? null): BranchNode? { // 如果当前分支已无剩余Slot返回当前分支可能是解也可能是死路 if (currentBranch ! null currentBranch.remainingSlots.isEmpty()) { return currentBranch } // 尝试当前Slot的两个可能值先试1安排课程再试0不安排 for (candidateValue in intArrayOf(1, 0)) { val nextBranch BranchNode( candidateValue, currentBranch?.remainingSlots ?: sortedSlots, currentBranch ) // 如果找到解立即返回 if (nextBranch.isSolution) return nextBranch // 如果当前分支还可继续则递归深入 if (nextBranch.isContinuable) { val terminalBranch traverse(nextBranch) if (terminalBranch?.isSolution true) { return terminalBranch } } // 如果candidateValue1的路走不通循环会继续尝试candidateValue0 } // 两个值都试过且无解返回null触发回溯 return null } // 步骤4启动搜索并应用解 val solution traverse() solution?.traverseBackwards?.forEach { it.applySolution() } ?: throw Exception(Infeasible - No valid schedule found.) }3.4 运行与结果最后我们初始化数据并执行搜索。fun main() { // 定义运营时间和休息时间 val operatingDates LocalDate.of(2023, 10, 16)..LocalDate.of(2023, 10, 20) // 一个周一到周五 val operatingDay LocalTime.of(8, 0)..LocalTime.of(17, 0) val breaks listOf(LocalTime.of(11, 30)..LocalTime.of(12, 59)) // 定义课程同项目描述 val scheduledClasses listOf( ScheduledClass(1, Psych 101, 1.0, 2), ScheduledClass(2, English 101, 1.5, 3), ScheduledClass(3, Math 300, 1.5, 2), ScheduledClass(4, Psych 300, 3.0, 1), ScheduledClass(5, Calculus I, 2.0, 2), ScheduledClass(6, Linear Algebra I, 2.0, 3), ScheduledClass(7, Sociology 101, 1.0, 2), ScheduledClass(8, Biology 101, 1.0, 2), ScheduledClass(9, Supply Chain 300, 2.5, 2), ScheduledClass(10, Orientation 101, 1.0, 1) ) // 执行搜索 executeBranchingSearch() // 输出结果 println(Generated Schedule:) println() scheduledClasses.sortedBy { it.start }.forEach { cls - // 这里假设我们在ScheduledClass中扩展了start和end属性根据selected1的Slot计算得出 println(${cls.name.padEnd(20)} ${cls.daysOfWeek.joinToString(/)} ${cls.start.toLocalTime()} - ${cls.end.toLocalTime()}) } }运行程序算法在几秒内就能生成如下课表具体时间可能因启发式权重微调而略有不同Generated Schedule: Linear Algebra I MONDAY/WEDNESDAY/FRIDAY 08:00 - 10:00 English 101 MONDAY/WEDNESDAY/FRIDAY 10:00 - 11:30 Supply Chain 300 MONDAY/WEDNESDAY 13:00 - 15:30 Math 300 MONDAY/WEDNESDAY 15:30 - 17:00 Calculus I TUESDAY/THURSDAY 08:00 - 10:00 Psych 101 TUESDAY/THURSDAY 10:00 - 11:00 Sociology 101 TUESDAY/THURSDAY 13:00 - 14:00 Biology 101 TUESDAY/THURSDAY 14:00 - 15:00 Orientation 101 THURSDAY 15:00 - 16:00 Psych 300 FRIDAY 13:00 - 16:00可视化后正如原文所示我们得到了一份紧凑、无冲突的周课表。算法成功地将10门课、总计数十个课时严丝合缝地安排进了一周的工作时间中完美遵守了所有约束。4. 关键技巧、避坑指南与扩展思考实现过程中我踩过不少坑也总结出一些能显著提升效率或避免错误的经验。4.1 启发式设计是性能关键树搜索的效率极度依赖于变量和值的选择顺序。我的启发式排序sortedWith包含了三层课程属性优先强制高重复次数3次的课在周一优先安排因为这是最硬的约束。这能尽早触发失败避免在错误的分支上浪费大量时间。时间先后优先安排较早的时间块。这倾向于产生更“紧凑”的排班从实际经验看也更容易找到解。课程时长优先安排课时长的课程。长课占用的资源多灵活性差早点定下来可以减少后续决策的不确定性。实操心得启发式的权重需要根据具体问题调整。对于本例将“3次重复课必须在周一”的权重设为-1000最优先起到了决定性作用。如果问题规模更大如多个教室可能需要加入基于教室资源紧张程度的启发式。4.2 约束传播的粒度与效率在BranchNode.remainingSlots的计算中我们进行了实时剪枝同课程排除一旦某门课被安排selectedValue1立即从剩余列表中移除该课程的所有其他Slot。这是基于“每门课只能有一个开始时间”的硬约束。时间冲突排除通过slot.block.affectingSlots找到所有冲突Slot并移除。这是最核心的剪枝操作。注意事项affectingSlots的预计算至关重要。如果每次检查冲突都去实时计算性能会急剧下降。我们通过by lazy在Block和ScheduledClass中预先计算好这些关系用空间换取了搜索时巨大的时间优势。4.3 处理“不可行”与边界情况预固定slotsFixedToZero在搜索开始前就将那些明显无效的Slot如课程开始太晚导致超出时间范围或会占用休息时间直接设为0。这直接缩小了搜索空间。递归深度控制我们的问题规模10门课 * 约200个可用时间块 2000个Slot但经过预固定和剪枝后远小于此对于递归来说是可接受的。如果问题规模极大需要考虑迭代加深搜索或引入更复杂的限界函数Bound Function来提前评估分支潜力。无解处理如果traverse()返回null说明搜索了所有可能分支都没找到解。这可能意味着约束过紧问题本身无可行解。此时需要向用户反馈而不是让程序无限运行或崩溃。4.4 扩展到多教室与更复杂约束原文提到了扩展到多教室只需增加一个维度。具体实现上Slot定义变为三维Slot(block, scheduledClass, room)。约束增加除了原有的时间-课程不冲突还需增加“同一时间同一教室只能有一门课”的约束。这可以通过为每个(block, room)对定义其affectingSlots来实现逻辑与之前完全一致。目标函数目前我们只求“可行解”。在实际中我们可能追求“最优解”例如教室利用率最高、学生跨教室移动距离最短等。这就需要引入目标函数并在树搜索中结合分支定界维护一个当前最优解的目标值在搜索过程中如果某个分支的“潜在最优值”已经比当前最优解差则剪掉该分支。4.5 与现有求解器的对比我们为什么要自己实现而不是用现成的求解器如Google的OR-Tools、IBM的CPLEX教育与理解自己实现一遍是对约束建模和搜索算法最深刻的学习。定制化控制我们可以实现非常领域特定的启发式和剪枝策略这在通用求解器中可能难以表达。轻量级与可移植性不依赖外部库一个文件就能跑起来。缺点对于超大规模问题成千上万个变量工业级求解器经过数十年优化其内置的割平面法、启发式等远非我们几百行代码可比。它们还能直接处理线性/整数规划模型用代数形式描述约束更加灵活。个人体会在实际项目中我经常先用这种自制的搜索原型快速验证想法的可行性并对问题特性有深入了解。一旦模型被验证且问题规模扩大再考虑迁移到专业的优化库将模型用其提供的建模语言重新描述。这好比先用素描勾勒创意再用专业工具绘制成稿。5. 总结超越机器学习的算法智慧通过这个项目我们完成了一次从具体业务问题排课到抽象模型约束满足问题再到具体算法实现带启发式的回溯搜索的完整旅程。我们使用的技术没有用到任何神经网络但它无疑是人工智能和运筹学领域的经典方法。在机器学习大行其道的今天重温这些“传统”算法有其不可替代的价值可解释性搜索的每一步、每一个约束都清晰明确。你可以精确知道为什么课A被安排在周一8点而不是周二9点。这与许多机器学习模型的“黑箱”特性形成鲜明对比。保证性对于找到的解我们可以证明它满足所有约束。对于优化问题在给定时间内找到的最优解我们可以证明其最优性在分支定界法中。而机器学习模型通常提供的是近似解或概率解。数据效率这类算法不需要海量的训练数据只需要清晰的问题定义和约束。互补性机器学习可以和这些方法结合。例如用机器学习模型来预测课程的受欢迎程度或教室使用偏好然后将预测结果作为权重或约束输入到我们的优化模型中。最后分享一个我自己的经验我曾遇到一个看似是连续预测的问题尝试了各种回归模型效果都不理想。后来我将输出空间离散化将其转化为一个组合优化问题并使用了类似的树搜索技术结果出乎意料地好。这提醒我面对问题时不应局限于当前流行的工具而应回到问题的本质从更广阔的算法工具箱中寻找最合适的那个。无论是数独还是课表其背后蕴含的约束求解与智能搜索思想是一种历久弥新的计算智慧。
从数独到课表：用Kotlin实现约束满足与回溯搜索的智能排课算法
发布时间：2026/6/1 17:03:17
1. 项目概述当机器学习成为焦点时别忘了那些“老派”的智能算法最近几年机器学习Machine Learning无疑是技术圈最炙手可热的话题。无论是大语言模型还是图像生成似乎所有关于“智能”的讨论都围绕着神经网络和深度学习展开。作为一名在软件开发和算法领域摸爬滚打了十多年的从业者我目睹了这种热潮也深知它的价值。但与此同时我常常感到一种担忧我们是不是过于聚焦于这一种工具而忽略了算法工具箱里其他同样强大、甚至在某些场景下更为关键的“老伙计”这让我想起了一个实际项目中遇到的经典难题为一所大学的课程排课。需求听起来很简单有10门课每门课时长不同1到3小时每周需要安排1到3次所有课程必须挤进一间教室时间只能在周一至周五的上午8点到11点半、下午1点到5点之间并且要避开午休。课程只能以15分钟为最小单位开始。当我第一次看到这个需求时直觉告诉我这无非是个复杂的排列组合问题。但当我真正开始计算可能性时结果让我倒吸一口凉气这是一个拥有大约10²⁴⁹⁰种可能配置的搜索空间。作为对比可观测宇宙中的原子数大约是10⁸⁰个。这个数字的庞大程度完全超出了常规迭代方法的处理能力。这个问题本质上属于“NP-Hard”领域是运筹学Operations Research中的经典课题。运筹学不是什么新潮的概念但它提供的算法——如线性规划、整数规划、元启发式算法等——却是解决许多实际优化问题的基石。从最大化工厂产能利润、编排医院护士排班、优化铁路网络准点率到简单地解一个数独Sudoku这些算法无处不在。有趣的是机器学习本身的核心也是一个优化问题。今天我想分享的正是如何运用一种经典的树搜索Tree Search算法结合约束建模的思想来自动化地解决这类离散调度问题。我们将用Kotlin语言从零开始构建一个求解器最终生成一份合理、无冲突的大学课程表。这种方法论的价值在于其通用性你完全可以将其迁移到员工排班、生产线调度、云计算任务编排乃至构建简单的棋类AI上。2. 核心思路拆解从数独到课表理解约束满足与树搜索在直接深入代码之前我们必须先建立起解决问题的核心逻辑框架。盲目编码只会陷入泥潭。我解决问题的习惯是先找到一个更简单、更直观的类比模型。在这里数独Sudoku成为了完美的思维跳板。2.1 数独求解的启示约束传播与回溯搜索数独的规则众所周知9x9网格部分格子已填数字需要填入剩余数字使得每行、每列、每个3x3宫格都包含1-9且不重复。暴力破解所有空白格的所有可能组合其计算量同样是天文数字。高效的解法是什么是约束满足与**回溯搜索Backtracking Search**的结合。具体来说求解过程可以看作一个决策树变量选择我们不是随机选一个格子开始填。一个有效的启发式策略是总是选择当前候选数字最少的格子即最受约束的变量进行尝试。这能极大程度地提前触发失败减少无效搜索。值排序对于选中的格子按顺序尝试其可能的每一个数字例如1到9。约束传播每填入一个数字就立即更新与其同行、同列、同宫的其他格子的候选数字列表即移除刚填入的数字。如果某个格子的候选数字集变为空说明当前路径矛盾。回溯一旦发现矛盾即某格子无数可填就立即撤销上一步的选择回溯尝试该格子的下一个可能数字。如果所有数字都试遍仍矛盾则继续向上回溯。这个过程在计算机科学中被称为深度优先搜索DFS与剪枝Pruning的结合。剪枝的关键在于利用约束条件提前终止不可能成功的分支。我们的课程调度问题完全可以套用这个范式。2.2 将课程表抽象为约束满足问题现在我们把数独的棋盘换成我们的课程表网格。我们需要定义我们的“变量”、“值”和“约束”。变量Variables每一个决策点。在我们的模型中每个决策点是“某一门课的第一次课是否在某个特定的15分钟时间块开始”例如“心理学101Psych 101的第一次课是否在周一上午8:00开始”这就是一个变量。值Domain每个变量的取值范围。这很简单是一个二值决策1是或 0否。这本质上是一个0-1整数规划问题。约束Constraints这是模型的核心。我们的约束有每门课必须被安排恰好一次指第一次课的开始时间对于一门课在所有可能的时间块中有且仅有一个变量的值被设为1。课程时间不能重叠这是最关键的约束。任何两个课程如果它们在时间上存在重叠就不能被同时安排。课程必须安排在运营时间内不能安排在晚上、周末或午休时间。重复课程规则如果一门课每周上两次如周一、周三那么两次课必须间隔指定的天数如2天且开始时间相同。如何优雅地表达“时间不重叠”这个约束这是设计模型的精髓。一个高效的方法是进行“空间换时间”的预处理对于时间轴上的每一个15分钟块我们都可以找出所有“会影响这个块”的课程开始时间变量。举个例子假设“社会学101”课长1小时即占4个15分钟块。如果它在周一9:00开始那么它会占用周一9:00, 9:15, 9:30, 9:45这四个块。那么对于“周一9:45”这个块所有“开始时间在周一9:00、9:15、9:30、9:45的且课长足以覆盖到9:45的课程”的变量都会影响到它。约束就转化为对于任何一个时间块所有“影响”它的变量之和必须 ≤ 1。如果和为1表示恰好有一门课占用此块如果为0表示空闲如果大于1则冲突。这个模型的美妙之处在于它通过预计算“影响关系”将复杂的时空重叠检查转化为了大量简单的求和不等式约束。同时它也能自然地处理重复课程只需在计算“影响”时将后续几次课的时间块也考虑进去即可。2.3 求解策略带启发式的树搜索有了变量、值和约束我们就可以像解数独一样进行树搜索了变量排序启发式优先处理约束最强的变量。例如每周上3次的课如线性代数比上1次的课如心理学300选择更少应优先安排。通常我们会根据课程的重复次数、时长等因素对所有“课程-开始时间”变量进行排序。深度优先搜索与回溯从排序列表的第一个变量开始尝试将其设为1。然后进行约束传播立即将所有与该变量冲突的其他变量即那些如果设为1会导致任何时间块的和超过1的变量从待搜索列表中“剪枝”掉暂时标记为不可用或直接赋值为0。然后移动到下一个未赋值的变量。回溯如果某一步发现剩下的变量无法满足某门课必须被安排一次所有可能开始时间都被剪枝了的约束说明当前路径失败。算法将回溯到上一个决策点尝试将该变量设为0然后继续探索。终止条件当所有课程都被成功安排即每门课恰好有一个开始时间变量被设为1且所有时间块约束都满足时搜索成功输出方案。这种方法被称为分支定界法Branch and Bound的一种形式其中“定界”在这里体现为利用约束进行剪枝。虽然最坏情况下复杂度依然很高但良好的启发式和积极的剪枝能在极短时间内为我们的中等规模问题找到可行解。3. 实战构建用Kotlin实现课程调度求解器理论清晰后我们开始动手实现。我选择Kotlin因为它兼具Java的稳健和现代语言的简洁非常适合表达这种领域逻辑。整个项目结构围绕几个核心数据类展开。3.1 领域模型定义首先我们定义核心的数据结构这有助于厘清业务逻辑。import java.time.DayOfWeek import java.time.LocalDate import java.time.LocalDateTime import java.time.LocalTime // 1. 定义要安排的课程 data class ScheduledClass( val id: Int, val name: String, val hoursLength: Double, // 课程时长单位小时 val recurrences: Int, // 每周重复次数 val recurrenceGapDays: Int 2 // 重复课程间隔天数默认2天如周一、周三 ) { // 衍生属性课程需要占用的15分钟块数 val slotsNeededPerSession (hoursLength * 4).toInt() // 衍生属性重复间隔对应的块数每天24小时*每小时4个块 val gap recurrenceGapDays * 24 * 4 }接下来定义时间块。这是我们的离散时间轴的基本单位。// 2. 定义15分钟时间块 data class Block(val range: ClosedRangeLocalDateTime) { val timeRange range.start.toLocalTime()..range.endInclusive.toLocalTime() // 判断该块是否在可排课时间内工作日的8:00-11:30, 13:00-17:00且不在午休 val withinOperatingDay: Boolean by lazy { val start timeRange.start val end timeRange.endInclusive start in operatingDay end in operatingDay breaks.none { start in it } } companion object { // 生成一周内所有连续的15分钟块懒加载避免循环依赖 val all: ListBlock by lazy { val dates operatingDates // 假设operatingDates是周一至周五的日期范围 generateSequence(dates.start.atStartOfDay()) { dt - dt.plusMinutes(15).takeIf { it dates.endInclusive.atTime(23, 59) } } .map { Block(it..it.plusMinutes(15)) } .toList() } // 仅返回可排课时间内的块 val allInOperatingDay by lazy { all.filter { it.withinOperatingDay } } } }然后定义决策变量即“槽位”Slot它是课程与时间块的交叉点。// 3. 定义决策变量Slot课程在某个时间块开始的可能性 data class Slot(val block: Block, val scheduledClass: ScheduledClass) { var selected: Int? null // 决策值null未定1是开始时间0不是 companion object { // 生成所有可能的Slot笛卡尔积所有课程 × 所有时间块 val all: ListSlot by lazy { Block.all.asSequence().flatMap { block - ScheduledClass.all.asSequence().map { cls - Slot(block, cls) } }.toList() } } }3.2 约束建模的关键计算“影响关系”这是整个算法的引擎。我们需要一个函数对于任意一个时间块能快速找出所有“如果其值为1则会占用该时间块”的那些Slot。首先实现一个通用的滑动窗口函数用于处理课程的重复模式。这个函数是理解后续逻辑的难点但也是核心。enum class RecurrenceMode { FULL_ONLY, PARTIAL_ONLY } fun T ListT.affectedWindows( slotsNeeded: Int, gap: Int, recurrences: Int, mode: RecurrenceMode RecurrenceMode.FULL_ONLY ): ListListListT { return this.mapIndexed { i, _ - (0 until recurrences).map { r - val startIdx i (r * gap) this.subList(startIdx, (startIdx slotsNeeded).coerceAtMost(this.size)) } } .filter { windowGroup - when (mode) { RecurrenceMode.FULL_ONLY - windowGroup.size recurrences windowGroup.all { it.size slotsNeeded } RecurrenceMode.PARTIAL_ONLY - windowGroup.size recurrences || windowGroup.any { it.size slotsNeeded } } } }这个函数做了什么以一个列表[1,2,3,4,5,6,7,8,9,10]为例假设slotsNeeded3课长gap2间隔recurrences2重复2次。函数会遍历每个元素作为第一次课的开始位置i然后生成一个“窗口组”windowGroup。每个窗口组包含recurrences个列表每个列表代表一次课所占用的元素。以i0元素1开始第一次课占用[1,2,3]间隔gap2个元素后第二次课从igap2开始占用[3,4,5]。所以窗口组是[[1,2,3], [3,4,5]]。modeFULL_ONLY时只保留那些所有重复课次都完整即每个子列表长度都等于slotsNeeded的窗口组。这代表了有效的课程开始时间。modePARTIAL_ONLY时保留那些不完整的窗口组例如课程开始太晚最后一次课超出了列表边界。这代表了无效的开始时间对应的Slot应被固定为0。利用这个函数我们可以在ScheduledClass中扩展功能data class ScheduledClass(...) { // ... 其他属性同上 ... // 获取该课程所有可能的、完整的开始时间方案每个方案是一组Slot列表的列表 val recurrenceSlots: ListListListSlot by lazy { slots.affectedWindows( slotsNeeded slotsNeededPerSession, gap gap, recurrences recurrences, mode RecurrenceMode.FULL_ONLY ) } // 对于给定的Block找出本课程中所有“会影响”它的开始时间Slot fun affectingSlotsFor(block: Block): ListSlot { return recurrenceSlots.asSequence() .filter { windowGroup - // 只要这个开始时间方案中的任何一次课占用了这个block就说明这个方案对应的开始Slot“影响”了该block windowGroup.flatMap { it }.any { it.block block } } .map { windowGroup - windowGroup.first().first() } // 取出该方案对应的开始Slot .toList() } // 必须被固定为0的Slot无效的开始时间 val slotsFixedToZero: ListSlot by lazy { // 情况1不完整的开始时间方案PARTIAL_ONLY val broken slots.affectedWindows(slotsNeededPerSession, gap, recurrences, RecurrenceMode.PARTIAL_ONLY) .flatMap { it.asSequence() }.flatMap { it.asSequence() } // 拍平 // 情况2完整的方案但某次课落在了非运营时间如午休 val outsideHours recurrenceSlots.asSequence() .flatMap { windowGroup - windowGroup.asSequence() } .filter { sessionSlots - sessionSlots.any { !it.block.withinOperatingDay } } .map { it.first() } // 取开始Slot (broken outsideHours).distinct().onEach { it.selected 0 }.toList() } }最后在Block中我们可以快速获取所有影响它的Slotdata class Block(...) { // ... 其他属性同上 ... val affectingSlots: SetSlot by lazy { ScheduledClass.all.asSequence() .flatMap { it.affectingSlotsFor(this) } .toSet() } }至此我们建立了一个高效的“索引”系统。给定任意一个时间块block.affectingSlots能立刻返回所有可能占用它的课程开始时间Slot的集合。我们的核心约束——任何时间块其affectingSlots中被选为1的Slot数量不能超过1——就可以被高效地检查和维护了。3.3 实现树搜索算法现在我们实现核心的搜索递归函数。我们将搜索状态封装在BranchNode中。class BranchNode( val selectedValue: Int, // 当前节点为Slot选择的值1或0 restOfTree: ListSlot, // 剩余待决策的Slot列表 val previous: BranchNode? null // 父节点用于回溯 ) { val slot restOfTree.first() // 当前节点处理的Slot private val traverseBackwards generateSequence(this) { it.previous }.toList() // 从根到当前节点的路径 // 应用当前决策后剩余的可决策Slot进行剪枝 val remainingSlots: ListSlot by lazy { if (selectedValue 0) { // 如果当前Slot选0只移除它本身 restOfTree.minus(slot) } else { // 如果当前Slot选1需要移除 // 1. 同一课程的其他Slot一门课只能有一个开始时间 // 2. 所有与当前Slot冲突的Slot即共享了任意时间块的Slot val conflictedSlots slot.block.affectingSlots // 所有影响当前块的Slot .filter { it.selected null } // 只考虑未决策的 .toSet() restOfTree.asSequence() .filter { it.scheduledClass ! slot.scheduledClass } // 移除同课程其他Slot .filter { it !in conflictedSlots } // 移除冲突Slot .toList() } } // 检查当前分支是否已找到一个完整解所有课程都被安排了 val scheduleMet: Boolean get() traverseBackwards.asSequence() .filter { it.selectedValue 1 } .map { it.slot.scheduledClass } .distinct() .count() ScheduledClass.all.count() val isContinuable: Boolean get() !scheduleMet remainingSlots.isNotEmpty() val isSolution: Boolean get() scheduleMet fun applySolution() { slot.selected selectedValue } }接下来是主搜索函数它包含了启发式排序和递归遍历。fun executeBranchingSearch() { // 步骤1应用预约束将无效Slot固定为0 ScheduledClass.all.flatMap { it.slotsFixedToZero }.forEach { it.selected 0 } // 步骤2对未决策的Slot进行启发式排序最关键的一步 val sortedSlots Slot.all.asSequence() .filter { it.selected null } .sortedWith(compareBy( // 启发式1优先处理约束强的课程重复次数多 { val dow it.block.range.start.dayOfWeek when { // 3次重复的课必须从周一开始优先处理其周一的Slot dow DayOfWeek.MONDAY it.scheduledClass.recurrences 3 - -1000 // 3次重复的课在非周一的Slot靠后处理 dow ! DayOfWeek.MONDAY it.scheduledClass.recurrences 3 - 1000 // 2次重复的课优先在周一/三处理 dow in DayOfWeek.MONDAY..DayOfWeek.WEDNESDAY it.scheduledClass.recurrences 2 - -500 // 其他靠后 else - 0 } }, // 启发式2优先处理一周中较早的时间 { it.block.range.start }, // 启发式3优先处理课时长的课程灵活性更差 { -it.scheduledClass.slotsNeededPerSession } )) .toList() // 步骤3递归搜索函数 fun traverse(currentBranch: BranchNode? null): BranchNode? { // 如果当前分支已无剩余Slot返回当前分支可能是解也可能是死路 if (currentBranch ! null currentBranch.remainingSlots.isEmpty()) { return currentBranch } // 尝试当前Slot的两个可能值先试1安排课程再试0不安排 for (candidateValue in intArrayOf(1, 0)) { val nextBranch BranchNode( candidateValue, currentBranch?.remainingSlots ?: sortedSlots, currentBranch ) // 如果找到解立即返回 if (nextBranch.isSolution) return nextBranch // 如果当前分支还可继续则递归深入 if (nextBranch.isContinuable) { val terminalBranch traverse(nextBranch) if (terminalBranch?.isSolution true) { return terminalBranch } } // 如果candidateValue1的路走不通循环会继续尝试candidateValue0 } // 两个值都试过且无解返回null触发回溯 return null } // 步骤4启动搜索并应用解 val solution traverse() solution?.traverseBackwards?.forEach { it.applySolution() } ?: throw Exception(Infeasible - No valid schedule found.) }3.4 运行与结果最后我们初始化数据并执行搜索。fun main() { // 定义运营时间和休息时间 val operatingDates LocalDate.of(2023, 10, 16)..LocalDate.of(2023, 10, 20) // 一个周一到周五 val operatingDay LocalTime.of(8, 0)..LocalTime.of(17, 0) val breaks listOf(LocalTime.of(11, 30)..LocalTime.of(12, 59)) // 定义课程同项目描述 val scheduledClasses listOf( ScheduledClass(1, Psych 101, 1.0, 2), ScheduledClass(2, English 101, 1.5, 3), ScheduledClass(3, Math 300, 1.5, 2), ScheduledClass(4, Psych 300, 3.0, 1), ScheduledClass(5, Calculus I, 2.0, 2), ScheduledClass(6, Linear Algebra I, 2.0, 3), ScheduledClass(7, Sociology 101, 1.0, 2), ScheduledClass(8, Biology 101, 1.0, 2), ScheduledClass(9, Supply Chain 300, 2.5, 2), ScheduledClass(10, Orientation 101, 1.0, 1) ) // 执行搜索 executeBranchingSearch() // 输出结果 println(Generated Schedule:) println() scheduledClasses.sortedBy { it.start }.forEach { cls - // 这里假设我们在ScheduledClass中扩展了start和end属性根据selected1的Slot计算得出 println(${cls.name.padEnd(20)} ${cls.daysOfWeek.joinToString(/)} ${cls.start.toLocalTime()} - ${cls.end.toLocalTime()}) } }运行程序算法在几秒内就能生成如下课表具体时间可能因启发式权重微调而略有不同Generated Schedule: Linear Algebra I MONDAY/WEDNESDAY/FRIDAY 08:00 - 10:00 English 101 MONDAY/WEDNESDAY/FRIDAY 10:00 - 11:30 Supply Chain 300 MONDAY/WEDNESDAY 13:00 - 15:30 Math 300 MONDAY/WEDNESDAY 15:30 - 17:00 Calculus I TUESDAY/THURSDAY 08:00 - 10:00 Psych 101 TUESDAY/THURSDAY 10:00 - 11:00 Sociology 101 TUESDAY/THURSDAY 13:00 - 14:00 Biology 101 TUESDAY/THURSDAY 14:00 - 15:00 Orientation 101 THURSDAY 15:00 - 16:00 Psych 300 FRIDAY 13:00 - 16:00可视化后正如原文所示我们得到了一份紧凑、无冲突的周课表。算法成功地将10门课、总计数十个课时严丝合缝地安排进了一周的工作时间中完美遵守了所有约束。4. 关键技巧、避坑指南与扩展思考实现过程中我踩过不少坑也总结出一些能显著提升效率或避免错误的经验。4.1 启发式设计是性能关键树搜索的效率极度依赖于变量和值的选择顺序。我的启发式排序sortedWith包含了三层课程属性优先强制高重复次数3次的课在周一优先安排因为这是最硬的约束。这能尽早触发失败避免在错误的分支上浪费大量时间。时间先后优先安排较早的时间块。这倾向于产生更“紧凑”的排班从实际经验看也更容易找到解。课程时长优先安排课时长的课程。长课占用的资源多灵活性差早点定下来可以减少后续决策的不确定性。实操心得启发式的权重需要根据具体问题调整。对于本例将“3次重复课必须在周一”的权重设为-1000最优先起到了决定性作用。如果问题规模更大如多个教室可能需要加入基于教室资源紧张程度的启发式。4.2 约束传播的粒度与效率在BranchNode.remainingSlots的计算中我们进行了实时剪枝同课程排除一旦某门课被安排selectedValue1立即从剩余列表中移除该课程的所有其他Slot。这是基于“每门课只能有一个开始时间”的硬约束。时间冲突排除通过slot.block.affectingSlots找到所有冲突Slot并移除。这是最核心的剪枝操作。注意事项affectingSlots的预计算至关重要。如果每次检查冲突都去实时计算性能会急剧下降。我们通过by lazy在Block和ScheduledClass中预先计算好这些关系用空间换取了搜索时巨大的时间优势。4.3 处理“不可行”与边界情况预固定slotsFixedToZero在搜索开始前就将那些明显无效的Slot如课程开始太晚导致超出时间范围或会占用休息时间直接设为0。这直接缩小了搜索空间。递归深度控制我们的问题规模10门课 * 约200个可用时间块 2000个Slot但经过预固定和剪枝后远小于此对于递归来说是可接受的。如果问题规模极大需要考虑迭代加深搜索或引入更复杂的限界函数Bound Function来提前评估分支潜力。无解处理如果traverse()返回null说明搜索了所有可能分支都没找到解。这可能意味着约束过紧问题本身无可行解。此时需要向用户反馈而不是让程序无限运行或崩溃。4.4 扩展到多教室与更复杂约束原文提到了扩展到多教室只需增加一个维度。具体实现上Slot定义变为三维Slot(block, scheduledClass, room)。约束增加除了原有的时间-课程不冲突还需增加“同一时间同一教室只能有一门课”的约束。这可以通过为每个(block, room)对定义其affectingSlots来实现逻辑与之前完全一致。目标函数目前我们只求“可行解”。在实际中我们可能追求“最优解”例如教室利用率最高、学生跨教室移动距离最短等。这就需要引入目标函数并在树搜索中结合分支定界维护一个当前最优解的目标值在搜索过程中如果某个分支的“潜在最优值”已经比当前最优解差则剪掉该分支。4.5 与现有求解器的对比我们为什么要自己实现而不是用现成的求解器如Google的OR-Tools、IBM的CPLEX教育与理解自己实现一遍是对约束建模和搜索算法最深刻的学习。定制化控制我们可以实现非常领域特定的启发式和剪枝策略这在通用求解器中可能难以表达。轻量级与可移植性不依赖外部库一个文件就能跑起来。缺点对于超大规模问题成千上万个变量工业级求解器经过数十年优化其内置的割平面法、启发式等远非我们几百行代码可比。它们还能直接处理线性/整数规划模型用代数形式描述约束更加灵活。个人体会在实际项目中我经常先用这种自制的搜索原型快速验证想法的可行性并对问题特性有深入了解。一旦模型被验证且问题规模扩大再考虑迁移到专业的优化库将模型用其提供的建模语言重新描述。这好比先用素描勾勒创意再用专业工具绘制成稿。5. 总结超越机器学习的算法智慧通过这个项目我们完成了一次从具体业务问题排课到抽象模型约束满足问题再到具体算法实现带启发式的回溯搜索的完整旅程。我们使用的技术没有用到任何神经网络但它无疑是人工智能和运筹学领域的经典方法。在机器学习大行其道的今天重温这些“传统”算法有其不可替代的价值可解释性搜索的每一步、每一个约束都清晰明确。你可以精确知道为什么课A被安排在周一8点而不是周二9点。这与许多机器学习模型的“黑箱”特性形成鲜明对比。保证性对于找到的解我们可以证明它满足所有约束。对于优化问题在给定时间内找到的最优解我们可以证明其最优性在分支定界法中。而机器学习模型通常提供的是近似解或概率解。数据效率这类算法不需要海量的训练数据只需要清晰的问题定义和约束。互补性机器学习可以和这些方法结合。例如用机器学习模型来预测课程的受欢迎程度或教室使用偏好然后将预测结果作为权重或约束输入到我们的优化模型中。最后分享一个我自己的经验我曾遇到一个看似是连续预测的问题尝试了各种回归模型效果都不理想。后来我将输出空间离散化将其转化为一个组合优化问题并使用了类似的树搜索技术结果出乎意料地好。这提醒我面对问题时不应局限于当前流行的工具而应回到问题的本质从更广阔的算法工具箱中寻找最合适的那个。无论是数独还是课表其背后蕴含的约束求解与智能搜索思想是一种历久弥新的计算智慧。
