以前的文章中，分别从APS，排产到规划引擎叙述了一些理论基础；并介绍了一些OptaPlanner大概的状况；并一步步将Optaplanner的示例运行起来，将示例源码导进Eclipse分析了一下它的Hello world入门示例，从本篇开始，咱们将分步学习它的一些概念及用法。 html
什么是OptaPlanner
其实这个名称是做者将这个引擎贡献给了Jboss社区后，才使用的名，以前叫作Drools planner。没错，它就是结合Drools（一个开源规则引擎）一块儿应用的(也能够单独使用)，Drools在这里的做用主要是用来做编写计分脚本，事实上彻底能够抛开Drools，直接使用OptaPlanner本身的API，经过Java代码本身来计分，但这个难度就大得多。详细状况讲到相应的章节再细说。算法
名称的前缀应该是Optimize的词根，或取近音吧，由于OptaPlanner其实就是一个对待规划的方案组合进行优化的引擎。好了，关于它的名称就不花费太多的口水去深究，咱们看看官方是怎么定义OptaPlanner的。"OptaPlanner is a constraint solver. It optimizes business resource planning use cases, such as Vehicle Routing, Employee Rostering, Cloud Optimization, Task Assignment, Job Scheduling, Bin Packing and many more. " - Optaplanner 是一个约束解决器，它能够优化业务资源，规划各类案例，例如车间调度，职员排班，云优化，任务分配，工做排程，装箱等相关的问题，例以下图。安全
而我对OptaPlanner的理解，它是一个Planning Engine - 规划引擎，针对各行各业的业务需求，开发人员须要将一些业务规则翻译成约束，并对业务场景中的实体进行抽象建模，规划引擎根据上述约束和模型对象进行规划，找出一个相对最优化的方案出来返回给用户。其实若是须要规划的业务对象很少（种类和数量都很少），规则不太复杂，人类是能够经过本身的经验、推算和规则运行，获得一个可行方案的，甚至当问题规模足够小的时候，是能够找到一个最优方案的。关于规划问题，你们能够参考这个系统文章中的一篇入门介绍《OptaPlanner - 入门介绍》，里面讲到，规划问题其实就是数学上的NP问题或NPC问题，目前数据世界对于这种问题，是没有可用算法直接实现的，当问题足够大的时候，只可以经过一些寻优算法（例如登山算法，模拟退火及遗传算法等）提升找到问题相对优解的机率。而OptaPlanner正是一个集成了这类算法，实现快速寻找相对最优方案的引擎。它是一个轻量级的，可嵌入的规划引擎，也就是说你能够在本身的程序中经过Jar包直接和相关的配置项来直接使用OptaPalnner. 固然，当你须要一个独立的，具备良好扩展性的规划服务组件时，能够直接使用OptaPlanner创建本身的规划服务器，经过Spring等框架，对外提供规划服务。服务器
OptaPlanner是基于Apache Software License.协议的，你能够直接使用它做为商业用途。而且它是使用纯Java编写的，最低功能要求下，只需安装一个JVM便可以使用OptaPlanner了。而且它全部的包均可以从Maven中央库中得到，即只须要创建一个Maven项目，简单配置好依赖项，就能够开始基于OptaPlanner的开发了。微信
下面，就开始对OptaPlanner中概念进行逐一讲解.网络
什么是规划问题(Planning Problem)
规划问题是 - 基于有限资源，及指定约束条件下达到优化目标（包括资源、排程安排等优化）.，例如：框架
- 最大化利润
- 最小化对生态环境的影响
- 提升员工及客户的满意度
- ........
要实现这些目标，须要如下条件：工具
- 人员
- 时间
- 预算（资金)
- 物理资产（例如机台、汽车，电脑，建筑等等）
下图是Optaplanner官网对规划问题的定义：学习
上面是对官网的一些翻译。通俗地讲,规划问题就是：优化
1. 存在一堆对象，例如：任务、人员、资源等，之后称做规划实体 - 官方称planning entity；
2. 还存在一些条件规则，例如：任务最迟须要何时完成，人员天天最多只能上班8小时，在指定的时间段内资源是有限的。之后称约束 - 官方称Constraint
3. 根据上述第2点的条件，对第1点所述的规划实体进行资源分配和时间安排，例如,哪一个任务应该安排在哪一个机台上，在何时开始做业；哪一个人员安排在哪一个车间的哪一个班次；哪一种资源（例如：机台、原料等）须要确保在哪一个时间送到哪一个车间等。
上述第3点所作的工做就是一个规划的过程，也就是引擎会根据约束的限制和规划实体的特性，对这些规划实体进行时间或/和空间上的规划；这个就是规划过程。而咱们面对的这些规划实体和这些约束的结合体，就称做规划问题。例如：排定下个学期每一个年级的课程表，令每一个课程的老师不会出现同一时候分配到不一样的班级上课。现有一堆外卖，规划好各个骑手的取餐、送餐路线，令每一个骑手都以尽可能小的路程和时间成本送最多的单。这些均可以被视做规划问题。
规划实体与规划变量（Planning Entity & Planning Variable）
咱们知道，规划问题，就是对一些规划实体进规划预计分配。例如编造排班表，是一个规划问题，那么抽象出来，一个工人就是一个规划实体(Planning Entity)了，它是被规划的对象。而工人在指定的时间在哪一个车间上班，就是这个规划实体的规划变量(Planning vaiable)了。因此，其实解决这个规划问题的过程，就是针对每个规划实体，根据约束及每一个规划实体的状况，来给它的规划变量设置适当的值，令到全部规划实体的全部规划变量的组合达到总体最优。便是设定每一个工人（规划实体），在哪一个时间，去哪一个车间上班（上班时间和车间就是规划变量）。
问题事实(Problem Fact)
问题事实是相对规则实体而言的，它也是一个业务实体，与规划实体不一样的是，它只反映出业务状况，而在规划的过程当中，不会被规划引擎进行修改。也就是说，问题事实只是用于提供资料，辅助规划引擎进行规划运算的。在整个规划过程，问题事实是只读的。例如规则班次计划的时间，其中的班次是在开始规则以前已经肯定的，因此“班次”这个业务实体只会在规划过程当中，提供每一个班次具体的时间等信息，而不会改变的。那么“班次”这个业务实体，就是一个问题事实。
约束（硬约束与软约束）
上而咱们把业务规则定义为约束，其实目前针对排程方面的规划问题，主要是经过约束进行评分机制的寻优方法。约束就是根据业务规则抽象出来，针对规划变量，在求解规划问题时候的一种限制，或惩罚机制。也就是说，约束是用来制约引擎对规划变量的赋值行为的。例如一我的不可能有超过24个小时的可用时间。
硬约束：硬约束是指那些不能违反的约束，违反了就会出现不符合常理，即业务可能出现毫不容许的状况出现。例如上面提升，一我的不可能有超过24小时的可用时间（常理）；机台运行过程当中，机修工不能进行维修工做（涉及安全生产问题，法律及业务有硬性要求。）。所以，硬约束能够被人视为是用于对规则行为进行定义的。
软约束：软约束是相对硬约束而言的，它是可违反的。设立软约束之目的并非不容许它违反，而是定量地制约规划结果（结果，便是下面讲到的"解"或者"方案"）的发展方向，起到对规划结果的偏向做用，即让规则结果尽可能向指定的一个方向偏移。也就是说在知足了硬约束的前提下，再对软约束进行判断，若是软约束能不违反就最好，要是必须违反，违反得越少，所得的方案就越好。例如成本高低就是一种软约束，生产运营中不可能不产生成本，那么若是成本越低，那么方案确定越好，固然是在知足了硬约束的前提下。
规划问题实际上是NP问题或NP-Hard问题
其实在《Optaplanner - 入门介绍》中已经有讲解过关于NP或NP-Hard（那讲到NPC问题），你们能够去参考一下那篇文章。这时归纳地重述一下，NP或NP-Hard问题是问题如下条件的：
- 对于一个给定的规划的结果（官网中称做solution, 便是解），很容易在合理的时间内对其进行验证是否可行。例如：课程表编排得正不正确，能够根据约束来核对一下就能够肯定了，例若有没有出现同一个时间内，一个老师被分配到不一样的班级上课。
- 不存在一个可肯定的方法，在合理的时间内找到一个最优解（这里指的是绝对最优解）。这个也不难理解，对于这种没有任何快捷方法找最优解的规划问题，咱们惟一的办法就是把全部不一样的组合状况所有排列出来，一个一个比较（即逐一枚举），那必然是能够找到最优解的。可是，由于这种方法实际上是一种暴力穷举法，当问题很是复杂、且须要规划的实体数量很是多时，它的时间复杂度是随着组合状况的增长，呈指数式上升的，暴力穷举的方法是不可取的。
规划问题存在巨量搜索空间
搜索空间：由于目前针对规划问题，只能经过搜索的方式去寻找相对最优解，由于相对一些直接经过算法操做获得的办法而言，规划问题只能将它的解一个一个地对比，逐步收敛逼近的办法来获得相对最优解。因此，你能够认为规划问题的相对最优解是搜索出来的，并且每一步搜索都须要对约束进行运算；从全部经历过的解中，找到相对最优一个。因此规划问题存在一个搜索空间的问题，即有多少种可能的解，就表示搜索空间有多大。例如将3个任务分配到两个机台上，存在多少种可能？你们能够本身去算，其实就是排列组合问题。
而对实际问题时，稍复杂的约束，稍多一点的规划实体，最后得出的可能解的数量都是很是巨大的，不少问题其搜索空间轻易就是一个天文数字。因此，若是对于全部规则问题，都是使用这些暴力枚举的办法，以现有世界上的计算机的算力，不少问题是没办法找到最优解的。
规划问题的规模，便是规划实体及每一个实体的规划变量的组合，例如时间、空间，及影响因素，及这些因素的全部状况组合。例如，若是上述全部实体，规划的变量和全部因素，展开后的数量是M，而一个解是对其中的N个变量进行规划，那么有多少个解呢？其实就是M到N的排列P(M->N).当遇到实际问题的，这些组合的数量就是天文数字了。
可能解，可行解，相对最优解与绝对最优解
在规则问题中，须要清楚解的概念，在OptaPlanner里称做solution, 即方案。在本系列文章中，解与方案是相同的意义，请注意。本猿只是根据中文表达的习惯，在不一样的场合以最顺口的方式，视状况肯定到底应用用“解”，仍是“方案”来表述。
在接下来的一系列文章中，我在讲解这些方案的过程当中，会用到如下概念：
可能解：一个规划问题的任意一个解都称为可能解，也就是全部规则实体的全部规则变量，任意一个组合，都称做一个可能解。例如分配工人A，在1月20日晚班，到1号车间；分配工人A在1月20日晚班到2号车间；分别是两个不一样的可能解，尽管它们的差异只是分配到不一样的车间.而每一个工人的每一个班次的工做车间，正好是规划变量。因此任意一个规划变量的不一样，都会产生不一样的可能解。如今知道为何规划问题存在巨量搜索空间了吧？
可行解：可行解就是那些彻底符合硬约束的解。即若存在一个解，它对任何一个硬约束都是符合的，则称这个解为可行解。可行解是可能解的一个子集。可行解是可验证的，只要根据目前全部的硬约束，对解中的每个规划实体中的每一个规划变量，逐一核对，看是否符合全部硬约束，若是符合，那就表示这个解是可行解。
相对最优解：上面已经提，规划问题的搜索空间很是巨量，大多数状况下是不可能计算并比较全部解的值，再取得最佳方案（这个解就是绝对最优解）的。在固定的时间内，Optaplanner引擎帮咱们找到的最优方案，就是称做相对最优解了。你们来思考一下，相对最优解必然是可行解吗？
绝对最优解：一样的上面提到，就是全部可能解中最优的那个解，目前是没有直接肯定的算法，经过运算在合理的时间内去找到一个问题的绝对最优解的，因此要获得绝对最优解，只有一个办法，就是将全部可能解都遍历一次才能找到。当问题规模不算大的时候，以目前的CPU速度仍是能实现的。但若是问题稍复杂一点，规划实体和规划变量稍多一点，那么可能解的数量就是一个天文数字了，这种状况下是没办法彻底遍历的。因此，在咱们现实中，咱们是没法获得绝对最优解的。其实更贴切地说，咱们所获得的相对最优解，咱们不知道它是否是绝对最优解。由于如今数学上尚未办法（除了遍历）证实一个相对最优解是否绝对最优。
本篇先介绍一下上述两个概念，下一篇将咱们再具体介绍其它概念。
原创不易，若是以为文章对你有帮助，欢迎点赞、评论。文章有疏漏之处，欢迎批评指正。
本系列文章在公众号不定时连载，请关注公众号（让APS成为可能）及时接收,二维码：
如需了解更多关于OptaPlanner的应用，请发电邮致：kentbill@gmail.com
或到讨论组发表你的意见：https://groups.google.com/forum/#!forum/optaplanner-cn
如有须要可添加本人微信（13631823503）或QQ(12977379)实时沟通，但因本人平常工做繁忙，经过微信,QQ等工具可能没法深刻沟通，较复杂的问题，建议以邮件或讨论组方式提出。(讨论组属于google邮件列表，国内网络可能较难访问，需自行解决)