调度类预设¶

针对作业调度（Job Shop）、流水线调度（Flow Shop）等调度问题优化的预设策略。

预设对比¶

预设	目标	求解器	时间预算	解质量
`scheduling_focus`	快速可行解	Tabu Search	低	中
`scheduling_evolutionary_repair`	高质量可行解	GA + CP-SAT	中	高
`scheduling_memetic_quality`	最优质量解	Memetic	高	最高

scheduling_focus¶

适用场景：需要快速得到可行调度方案的场景，如实时调度、交互式决策。

from optagent import solve

solution = solve(
    problem,
    preset="scheduling_focus",
    time_limit=30  # 30秒内得到可行解
)

策略特点： - 单阶段禁忌搜索 - 低计算开销 - 适合大规模问题

scheduling_evolutionary_repair¶

适用场景：需要高质量调度方案，问题规模中等，有充足计算时间。

from optagent import solve

solution = solve(
    problem,
    preset="scheduling_evolutionary_repair",
    time_limit=120
)

策略特点： - 三阶段编排：进化搜索 → 局部优化 → 精确修复 - GA 保证全局探索，CP-SAT 保证约束可行性 - 热启动继承提升后续阶段效率

三阶段流程：

graph LR
    A[Phase 1: GA<br/>60% 预算<br/>全局搜索] -->|热启动| B[Phase 2: Tabu<br/>30% 预算<br/>局部优化]
    B -->|热启动| C[Phase 3: CP-SAT<br/>10% 预算<br/>精确修复]
    C --> D[最终解]

scheduling_memetic_quality¶

适用场景：追求最优解质量，计算时间充足，问题规模适中。

from optagent import solve

solution = solve(
    problem,
    preset="scheduling_memetic_quality",
    time_limit=300
)

策略特点： - 记忆算法：每代进化后进行局部搜索 - 全局搜索与局部优化深度结合 - 计算开销大，但解质量最高

选择建议¶

如何选择调度预设

时间紧迫（< 1分钟）：scheduling_focus
质量优先（1-5分钟）：scheduling_evolutionary_repair
追求最优（> 5分钟）：scheduling_memetic_quality
不确定：使用 auto 让系统根据问题规模自动选择