Classroom Assignment: A Two-Stage Constraint Formulation
本文介绍了一种两阶段 MiniZinc 排课模型，该模型揭示了结构性约束对搜索空间的巨大缩减作用，证明了求解时间随实例规模呈亚指数级增长，并对现实世界的校园课表进行了审计，以表明教室冲突主要源于分配效率低下而非资源匮乏，从而提供了一个用于识别哪些硬约束应当被放宽的数据驱动框架。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每学期，大学都面临着一个巨大的物流难题：如何在有限的教室数量和时间段内，安排数百门课程，而不产生无法解决的冲突。教师不能同时出现在两个地方，学生不能同时参加两场讲座，而三十人的班级不能挤进只能容纳二十人的教室。几十年来，专家们一直知道解决这个谜题极其困难，通常需要计算机在数十亿种可能性中进行搜索。标准的做法是告诉计算机要具有灵活性，如果无法找到完美方案，允许它打破某些规则。然而，没有人确切知道现实生活中哪些规则被打破了、打破的频率如何，或者这些冲突是因为大学单纯空间不足，还是由于其他原因。缺乏这些知识，管理人员只能猜测应该放宽哪些约束，结果往往使课表变得更糟而非更好。
哥伦比亚瓦列大学（Universidad del Valle）的研究人员决定停止猜测，开始测量。他们为自己的校园建立了一个数字模型，在这个校园里，一名管理员通过手动操作，在三到四天内就能手工创建整个学期的课表，无需任何软件辅助。该团队利用这段真实的过往历史来测试一种新的思考方式。他们不再试图一次性解决整个谜题，而是将其分为两个不同的阶段。首先，计算机计算出每门课程开展的最佳时间，完全忽略教室因素。一旦这些时间确定下来，第二阶段再为这些课程分配实际的教室。这种分离使他们能够准确看到系统在哪里运作良好，以及在哪里失效。随后，他们将自己的模型与该大学发布的连续八个学期的实际课表进行对比，以观察现实世界的计划在他们严格的数字模型面前表现如何。
结果揭示了一个关于大学如何管理时间的惊人真相。研究人员发现，他们研究的八个学期中，没有一个能满足模型的全部硬性规则。教师被安排在同一时间出现在两个不同的教室，且出现了教室预约冲突，即两组人员被同时分配到了同一个空间。一个常见的假设是，这些冲突发生是因为大学过于拥挤，单纯是因为教室不够用。数据证明了这一点是错误的。在四分之一的教室冲突案例中，有三个案例显示，在发生冲突的同一区域，有一个合适的教室在那个时刻是空闲的。问题不在于空间的匮乏；校园的教室使用率仅在32%到46%之间。冲突并非由稀缺引起，而是由手动协调数百个移动部件的难度造成的。
研究还发现了数据收集中的一个缺陷。该模型依赖于教师申报的可用性，假设他们如实告知了自己何时可以授课。然而，研究人员发现，记录的可用性往往只是最终课表的副本，而不是在规划开始前进行的真实空闲时间声明。这意味着计算机被输入了一个已经“破碎”的现实版本，导致无法找到完美的解决方案。当研究人员观察模型实际能实现什么时，他们发现第一阶段的规划——确定时间——速度惊人地快且高效，能在几分钟内解决复杂的课表。第二阶段，即分配教室，则是瓶颈。计算机甚至在为小型群体寻找完美的教室分配时也显得吃力，这表明问题的写法需要改变，而不是计算机运行太慢。
或许最有价值的发现是，大学在没有意识到自己的情况下，已经在未能实现自身目标。行政部门希望保留某些教室用于应急或特殊活动，但人工编写的课表却始终占用几乎所有的教室，导致无房可用。因为人工排课者无法一眼看清整周的情况，他们错失了留出空闲教室的机会。计算机模型显示，通过重新排列现有课程，可以在不产生新冲突的情况下腾出这些教室。这表明，解决方案不是要求更多的教室或聘请更多员工，而是使用一个能够同时洞察全局的工具。
研究人员发布了他们的代码和这八个学期的数据，以便其他机构可以测试这些想法。他们并未声称已经永久解决了大学排课问题，但提供了一种清晰的诊断方法。通过根据一套严格的规则对自身的课表进行审计，大学现在可以准确识别哪些约束是真正无法达到的，哪些仅仅是需要改变的习惯。研究结论指出，排课的难度不在于课程的数量，而在于问题本身的结构。通过正确的方法，曾经看似无法驾驭的海量搜索空间可以被缩小到可控范围内，从而将混乱的手动过程转变为可靠的自动化流程。前进的路径不是去猜测该打破哪些规则，而是先测量它们。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。