简介：自动排课系统是一套面向学校教务场景的课程表自动生成方案，基于遗传算法等智能优化方法处理教师冲突、教室资源、主课副科优先级及上午/下午节数、晚自习等多重约束，帮助教务人员快速获得合理课表，也适合算法学习与二次开发。压缩包共334个文件，约573KB，其中Java源文件有50余个，编译后的class文件占多数，另含PNG算法流程图、PDF说明文档及工程配置，整体结构清晰，便于对照代码梳理实现思路。源码中的遗传算法核心类展示了种群初始化、分组、适应度评估与迭代进化，基础数据类则负责课程、年级和分组信息管理，读者可从运行示例出发追踪排课结果生成全过程，理解算法参数与业务条件的映射关系。已有3646人学习下载，适合教育信息化从业者、教务管理员及希望掌握排课算法实现的Java开发者参考。

1. 自动排课系统不是在填课表：它是在一张多约束网里找可行解

自动排课系统（课程表）最容易踩的第一个坑，是把它当成“把课程列表填进周一至周五的格子”。实际的排课问题是一张由班级时间、教师时间、教室容量三类约束交织成的网：班级在同一时间只能上一门课，教师在同一时间只能出现在一个教室，教室容量不能超、课程连排不能断，这些条件同时成立，才叫一个可行解。我最早做教务系统时用过纯贪心，老师上午刚上完三节连排下午又被排课，数据一多直接翻车。这个方向真能落地的话，能替高校教务处、培训机构和 K12 学校省下大量人工核对时间。下面从建模、求解器选型、最小实现到排错，按我实际做过的方式讲一遍。

2. 把排课问题翻译成约束模型：三类硬约束与两类软约束的取舍

写排课代码前，先做建模。把真实排课需求翻译成约束条件时，这些条件分成两个角色：硬约束负责过滤出合法区域，软约束决定哪块合法区域更让人满意。很多第一次做排课系统的人把这两类混在一起，结果就是解不出来，或者解出来不敢用。

2.1 硬约束先立住：时间、教师、班级与教室四个维度

硬约束是“违反任何一条，课表就没法执行”的条件。我一般用assign[course] = time_slot这个视角来建模：每个课程是一个变量，变量的取值是某个时间段，然后在这个基础上加约束。

第一类约束是班级内部不冲突。同一个班级的所有课程必须分配到互不相同的时间段，否则一个班在同一时间会上两门课。第二类约束是教师不冲突。同一个教师名下的课程同样要两两不同时间，因为一位老师没法同时出现在两间教室。第三类约束是教室不冲突。如果是走班制，同一个时间段里所有课程使用的教室必须互不相同，而且选教室时要满足容量大于选课人数。

一个常见的简化做法是“固定教室制”：每个班级绑死一间教室，那么教室约束退化成“班级不冲突”，此时可以不单独建模教室维度。K12 学校大多是这种情况，高校走班制才需要把教室真正加进模型。把容量校验放在数据预处理阶段，读入课程时如果某门课人数超过可用教室容量，直接报错，不要等求解器跑完才暴露。

2.2 软约束决定体验：均匀分布、晚课最少与连排

硬约束解决“能不能用”，软约束解决“好不好用”。同一个合法课表里，可能有一版所有课都堆在上午，另一版均匀分布，两者都不违反硬约束，但师生感受完全不同。

软约束通常有这几类：教师单日课时上限（比如一天最多 4 节）、晚课尽量少、课程在周内均匀分布、连排请求尽量满足。这些不能放进硬约束，否则会直接把解空间压没；正确做法是把它们写成目标函数里的惩罚项，求解器在满足硬约束的前提下，尽量降低惩罚值。

权重的经验值是拉开量级。晚课少排一节的惩罚设为 5，教师单日超过 4 节的惩罚设为 20，连排未满足的惩罚设为 10。权重太接近，求解器会拿“多几节晚课”去换“教师单日少超一节”，排出来的课表看起来数字没差，用起来处处别扭。这个调权重的过程有点像玄学，但核心原则是：先保教师体力，再保学生体验，最后保形式上的均匀。

2.3 输入建模：课程、教师、教室三张 CSV 表的字段设计

我不建议直接在代码里写死课程数据，生产环境第一版就上 CSV 或数据库表，后面接教务系统导入会轻松很多。最少需要三张表：课程表、教师表、教室表。

读取时有一个容易忽略的细节：用utf-8-sig编码打开 CSV，Excel 导出的文件会带 BOM 头，直接按utf-8读会把第一个字段名读成\ufeffcourse_id。另外每行做一遍 strip，防止教师 ID 或班级名里混进前导/尾部空格。

import csv def load_courses(path): courses = [] with open(path, encoding="utf-8-sig") as f: for row in csv.DictReader(f): row = {k.strip(): v.strip() for k, v in row.items()} courses.append(row) return courses

这段代码没有排课逻辑，但它决定了后面所有数据质量的起点。strip 掉空格后，要做一次引用完整性检查：所有课程里的 teacher_id 必须存在于教师表，否则直接报错。排课系统里最耗时的不是求解，而是排查脏数据。

3. 选对求解器：从回溯到 CP-SAT 的演进路径与选型判断

模型搭好后，下一步是选一个求解器。市面上能搜到遗传算法排课、模拟退火排课、回溯排课，还有直接用 Python 手写贪心排课的，各说各话。我的判断标准很简单：解空间大小和约束复杂程度决定工具，而不是哪个框架听起来更时髦。

3.1 贪心为什么会在第 80 门课时卡死

贪心算法的思路是“按优先级遍历课程，每门课塞到第一个空闲时间段”。它跑得快，小规模数据用起来非常顺手，但排到后面会遇到一个尴尬场景：某位教师只在周五有时间，而周五的空闲时段已经被前面排课占满，此时只能回退重排。

回退正是贪心算法的短板。排课问题的约束是全局的，前面的局部最优选择会压缩后面的解空间，这不是靠“再多试几次随机顺序”能稳定解决的问题。数据量小，比如一个年级 20 门课，贪心加随机扰动完全够用；一旦到全校几百门课，贪心排出的课表经常出现“最后十几门课无家可归”的情况。这不是代码写得不好，是算法本身的局部性决定的。如果你评估后确认自己的场景只有“不冲突”这一个约束，可以直接用贪心；但凡有连排、合班、教师禁排任何一项，直接往下看。

3.2 CP-SAT 的全局约束：AllDifferent、ExactlyOne 与 AllowedAssignments

我目前最常用的求解器是 OR-Tools 里的 CP-SAT。它是约束编程求解器，核心思想不是“试探—回退”，而是“约束传播”：给变量赋值后，约束会把其他变量的可行域进一步缩小，缩小到极限才分支搜索。这个过程把大量不可行分支提前砍掉，搜索效率比裸回溯高一个量级。

CP-SAT 提供的三个全局约束基本覆盖了排课场景。AllDifferent 强制一组变量两两不同，用在上文说的班级内部不冲突、教师不冲突。ExactlyOne 表示一组布尔变量里恰好有一个为 True，适合表达“某课程必须落在可选时间段集合中的某一个”。AllowedAssignments 直接给一组变量指定合法的取值组合，适合处理教师禁排、特定班级不能在特定时间上课这类映射关系。

还有一个迭代优势：CP-SAT 的模型是声明式的，改需求时不改求解逻辑，只改约束条件或目标函数。学校教务这种“每周都有新要求”的场景，这一点比手写回溯值得多。

3.3 规模边界对照：100 个时段以内与 1000 个时段以上怎么选

这里有一个重要边界：不是数据量越大越要上复杂算法，而是约束的交互程度决定算法。1000 个课程变量全部只是“时间不冲突”，用 CP-SAT 也能跑，但贪心加冲突检测后处理也许一天就写完。反过来，200 门课但存在大量合班课和教师跨校区移动，贪心已经无法维护这些关系，此时直接用 CP-SAT 是更稳妥的选择。遗传算法和模拟退火我也试过，它们适合“目标函数精确但硬约束复杂”的优化问题，排课里硬约束恰恰是不能讨价还价的，调惩罚函数调得心累，最后我放弃了这条路线。

4. 用 OR-Tools 实现最小可用自动排课：Python 骨架与三个必调参数

这一章给一个能直接跑的最小模型。它简化了教室维度（假设固定教室制），保留了班级不冲突、教师不冲突两类硬约束，以及两项目标函数。跑通这个骨架后，再往自己的数据上扩展。

4.1 变量定义与硬约束：一个可直接运行的 CP-SAT 模型

假设有 3 个班级，每班 5 门课，每周上 1 次，共 15 门课；排课周期是 5 天，每天 4 节，共 20 个时间槽。5 位教师各教 3 门课。

from ortools.sat.python import cp_model # 时间槽：5天 x 4节 = 20 days = range(5) periods = range(4) n_slots = len(days) * len(periods) # 课程与教师的对应关系 classes = ["ClassA", "ClassB", "ClassC"] subjects = ["Math", "English", "Physics", "History", "PE"] teacher_of = { ("ClassA", "Math"): "T1", ("ClassB", "Math"): "T1", ("ClassC", "Math"): "T1", ("ClassA", "English"): "T2", ("ClassB", "English"): "T2", ("ClassC", "English"): "T2", ("ClassA", "Physics"): "T3", ("ClassB", "Physics"): "T3", ("ClassC", "Physics"): "T3", ("ClassA", "History"): "T4", ("ClassB", "History"): "T4", ("ClassC", "History"): "T4", ("ClassA", "PE"): "T5", ("ClassB", "PE"): "T5", ("ClassC", "PE"): "T5", } model = cp_model.CpModel() # 变量：每门课排到哪个时间槽，取值 0..19 course_vars = {} for cls in classes: for sub in subjects: name = f"{cls}_{sub}" course_vars[(cls, sub)] = model.NewIntVar(0, n_slots - 1, name) # 硬约束1：同一个班级的课程时间两两不同 for cls in classes: model.AddAllDifferent([course_vars[(cls, sub)] for sub in subjects]) # 硬约束2：同一位教师的课程时间两两不同 by_teacher = {} for (cls, sub), teacher in teacher_of.items(): by_teacher.setdefault(teacher, []).append(course_vars[(cls, sub)]) for teacher, vars_ in by_teacher.items(): model.AddAllDifferent(vars_) # 软约束：晚课（每天第3、4节）尽量少 bad_slots = [d * len(periods) + p for d in days for p in (2, 3)] penalties = [] for var in course_vars.values(): for bs in bad_slots: penalties.append(var == bs) model.Minimize(sum(penalties)) solver = cp_model.CpSolver() solver.parameters.max_time_in_seconds = 10.0 solver.parameters.num_search_workers = 8 solver.parameters.log_search_progress = True status = solver.Solve(model) print("status:", solver.StatusName(status)) if status in (cp_model.OPTIMAL, cp_model.FEASIBLE): for (cls, sub), var in course_vars.items(): idx = solver.Value(var) day, period = divmod(idx, len(periods)) print(f"{cls} {sub}: 周{day + 1} 第{period + 1}节")

这段代码的关键点在于两个 AddAllDifferent。第一次看排课模型的人总觉得要写“遍历每个时间段判断有没有冲突”，但 CP-SAT 的全局约束把这一步变成了声明式的：你告诉求解器“这些变量必须两两不同”，剩下的传播和剪枝由求解器内部完成。var == bs这种写法在 CP-SAT 里返回一个 0/1 线性表达式，可以直接被 sum 累加进目标函数，不用手动建布尔变量。

硬约束只用了两个 AllDifferent，是因为固定教室制下，班级和教师不冲突就已经保证同一时间不会有人挤在同一间教室。如果做走班制，需要把变量扩展成时间和教室的组合，参考 5.4 里的说明。

4.2 把软约束放进目标函数：惩罚项的最小写法

上述代码里已经有一个最简单的软约束：晚课惩罚。实际生产里还有一个高频需求是控制教师单日课时上限，这里给出可复用的模板。

# 软约束：每位教师每天最多上2节，超出部分计入惩罚 for teacher, vars_ in by_teacher.items(): for d in days: daily_count = sum(v // len(periods) == d for v in vars_) over = model.NewIntVar(0, len(periods), f"over_{teacher}_{d}") model.Add(daily_count <= 2 + over) penalties.append(over * 20)

v // len(periods)把时间槽索引还原成“星期几”，然后和当前天 d 比较，得到该教师在这一天的上课节数。over是超出 2 节的数额，乘 20 作为惩罚值。注意这里不能在原有penalties列表上重复追加，否则会叠加多个 Minimize 表达式。正确的做法是在建模开始时初始化一个penalties = []，把所有软约束的惩罚项都 append 进去，最后只调一次model.Minimize(sum(penalties))。

这个模板的扩展性很好。想加“课程均匀分布”，就统计每班每天的上课节数，对偏离平均值的部分加惩罚；想加“连排请求”，就把连排建模成两个变量取相邻索引的强约束，未满足时加惩罚。所有软约束都往这个列表里塞，目标函数不用改。

4.3 三个必调参数：num_search_workers、max_time_in_seconds 与 log_search_progress

CP-SAT 默认参数能跑通小模型，但生产环境一定要主动设置以下三个参数。

num_search_workers 是并行工作线程数。默认 0 表示自动选择。我的习惯是变量少于 500 时不设这个参数，多线程的通信开销反而拖慢求解；变量超过 500 后设为 CPU 核数减一。曾有一次我为了图快把 16 核机器全开，结果求解时间比 8 线程还长，后来不再迷信“核越多越好”。

max_time_in_seconds 是求解时间上限。生产环境必须设置，否则遇到难解实例可能跑几小时没有结果。我一般先给 30 秒跑通，确认模型正确后再按需求放宽到 120 秒。CP-SAT 在超时后会返回当前找到的最好的可行解，状态是 FEASIBLE 而非 OPTIMAL，使用方需要接受这一点。

log_search_progress 是求解过程日志开关。第一次跑通模型时打开，能直观看到约束传播在砍变量域、搜索分支在收敛；生产环境关掉，因为日志量大到能撑满磁盘。判断模型是不是“无解但看起来应该有解”时，这个日志是最直接的证据来源。

solver.parameters.max_time_in_seconds = 30 solver.parameters.num_search_workers = 8 solver.parameters.log_search_progress = True

提示：CP-SAT 不是命令式编程，它不会按你写代码的顺序“执行”约束。改约束后一定要重新求解，不要在内存里复用旧模型实例。

5. 自动排课避坑：5 个让我翻车过的问题与排查方法

排课系统跑通容易，跑稳很难。下面 5 个坑都是真实踩过的，按“现象、原因、解决”写清楚，希望你能绕过我的血泪经验。

5.1 求解器返回 INFEASIBLE，却不告诉你哪里冲突

现象：模型结构看起来没问题，数据也就 15 门课、20 个时间槽，但 solver.Solve 返回 INFEASIBLE，日志里也没有明显错误。

原因：最常见的是时间槽数量不够，或者某个教师被分配了超出其可用时间的课程量。另一个隐蔽原因是把“教师不可用时间”写成了硬约束，而这个教师的总可用时间段少于他的上课节数，导致约束传播直接判死。

解决：第一步，把所有硬约束注释掉，只剩变量，确认模型能返回可行解；第二步，逐个放开硬约束，每放开一个求解一次，找到第一个让模型变成 INFEASIBLE 的约束，问题就定位了。第二步，检查教师维度：每位教师的课程数是否小于等于他的可用时间槽数。这一步也可以用预处理代码做静态判断，不要等求解器反馈。

5.2 教师名字里的全角空格和重复 ID

现象：排出来的课表里出现了同一位教师在同一个时间上两门课，第一反应是约束没加，检查代码又发现 AddAllDifferent 明明写上了。

原因：CSV 里教师 ID 混进了全角空格或者行尾不可见字符，例如"T1"与"T1 "被读成两个不同的教师。by_teacher 字典因此把原本是同一个人的课程拆成了两个教师组，AllDifferent 自然管不到跨组的冲突。

解决：读取 CSV 后统一做 strip，并对教师 ID 做唯一性校验：如果去重后的数量少于原始数量，直接打印警告，提示可能存在隐藏字符。这个校验放在任何排课逻辑之前，几分钟能排查完的问题不值得花一晚上调试。

5.3 时间槽够用，但求解器长时间找不到更优解

现象：模型有可行解，但目标函数值长时间不下降，CPU 时间飙到几百秒，解的质量停在原地。

原因：排课模型有一个隐性问题——等价解太多。3 个班级的课表整体上下翻转，或者一周内的排课镜像互换，从约束角度看都是同一个解，但求解器会把这些重复分支全部搜索一遍。

解决：加入对称性破坏约束。最简单的一招是固定某个班级第一门课的时间，比如强制 ClassA 的 Math 排在时间槽 0，其他解空间的对称分支就会被剪掉。也可以在班级维度上加顺序约束，例如让 ClassA 的 5 门课按 subjects 列表的顺序递增，这样同一个班级的课程排列方式就只剩一种。

5.4 教室容量超限，求解器完全不理会

现象：走班制场景下，排课结果里出现 40 人的课程被分配到 30 人教室，而模型状态显示 OPTIMAL。

原因：课程变量只建模了“时间”一个维度，教室根本没有进入模型。这种情况下求解器确实不违反任何约束，因为模型里压根没有容量约束，它给出的最优解是在一个有缺陷的模型上的最优解。

解决：走班制必须把变量扩展成0 .. n_slots * n_rooms - 1的整数，用除法和取模还原出时间和教室两个维度，然后加“同一时间同一教室最多一门课”的约束。这个扩展会让解空间变大，但同时也给软约束提供了新的优化维度——比如让课程尽量集中在某几栋教学楼，避免学生课间长距离移动。

5.5 软约束权重没拉开，课表看似最优却没人想用

现象：目标函数值已经很低，课表也满足所有硬约束，但教务老师一看就摇头：某个教师一天连排 6 节的情况出现了。

原因：晚课惩罚权重是 5，教师单日超时惩罚也是 5，求解器会认为“一天多上 2 节课”和“少 2 节晚课”没有区别，迭代后自然挑了一条对教师更累的路径。

解决：把教师超时惩罚提到 20 以上，晚课保持 5，让惩罚值之间拉开量级。更稳妥的做法是提前做“权重冒烟测试”：只保留一个软约束跑一轮，看解是否符合直觉，再叠加下一个软约束。权重调整不是一次性工作，学校换了作息时间表之后，原本合理的权重可能又要重新调。

6. 从能跑到能上线：课表冲突校验与 HTML 导出

模型能输出课表只是第一步，真正上线还要解决两个问题：怎么确认结果可靠，怎么让非技术同事能用上。

6.1 排完课先别信：独立校验脚本三分钟跑完

求解器返回 OPTIMAL 不代表数据没问题，它只代表“模型里的所有约束都满足了”。如果建模时漏了某个约束，校验环节也发现不了。所以我保留了一个习惯：用一套完全独立的、不用 OR-Tools 的脚本做最终校验，把求解结果按“教师、班级”两个维度重新查一遍冲突。

def validate(timetable, teacher_of): errors = [] by_teacher = {} for (cls, sub), (day, period) in timetable.items(): teacher = teacher_of[(cls, sub)] by_teacher.setdefault(teacher, []).append((day, period, cls, sub)) for teacher, items in by_teacher.items(): points = [(d, p) for d, p, _, _ in items] if len(set(points)) < len(points): errors.append(f"teacher {teacher} conflict") return errors

这段校验代码只依赖纯 Python 的 set 去重逻辑，逻辑简单到不可能出错。虽然与模型里的 AddAllDifferent 本质上是同一个检查，但独立实现的好处是：即使以后把求解器从 CP-SAT 换成别的工具，这层校验依然有效。每次重新生成课表后，先跑一遍校验再发出去。

6.2 让教务老师能直接用：HTML 课表导出

课表最终要给教务老师和班主任看，不能丢一份 JSON 或打印一堆控制台文本。我通常导出一个单文件 HTML，行是节次、列是星期几，直接在浏览器打开就能看和打印。

def export_html(timetable, path): days = ["周一", "周二", "周三", "周四", "周五"] lines = ["<table border='1' cellspacing='0' cellpadding='6'>"] lines.append("<tr><th>节次</th>" + "".join(f"<th>{d}</th>" for d in days) + "</tr>") for period in range(4): lines.append(f"<tr><td>第{period + 1}节</td>") for day in range(5): cells = [f"{cls}-{sub}" for (cls, sub), (d, p) in timetable.items() if (d, p) == (day, period)] lines.append(f"<td>{'<br>'.join(cells) if cells else ''}</td>") lines.append("</tr>") lines.append("</table>") with open(path, "w", encoding="utf-8") as f: f.write("\n".join(lines))

这段代码不复杂，但它把技术结果翻译成了教务老师能直接用的东西。后续可以按班级分别导出，文件名拿班级命名，再配一个按教师维度的导出，一线老师拿到手就能排监考和调课。

6.3 我保留的一个习惯

我现在拿到任何一个排课需求，先问三件事：满课率是多少、教室是固定还是走班、教师有没有禁排时间段。这三个答案基本决定了解空间大小和方案选型。课表问题做到后面，难点已经不是算法本身，而是把真实世界的约束翻译成模型、把脏数据挡在门外、把结果翻译回人话。希望帮到你。

本文还有配套的精品资源，点击获取