fix(docs): 修复代码漏洞

Author: XiaoLFeng

docs/final/algorithm.md

@@ -1,64 +1,69 @@
 # 核心算法文档
 
 ## 1. 算法概述
+
 ### 1.1 算法介绍
+
 本系统使用遗传算法（Genetic Algorithm, GA）实现智能排课功能。遗传算法是一种模拟自然选择和遗传机制的优化算法，通过不断迭代、进化，寻找最优解或较优解。在排课系统中，遗传算法能够有效处理多约束条件下的复杂排课问题，生成满足各类约束的课程表。
+
 ### 1.2 算法简要逻辑
+
 ​1.数据输入阶段
-	前端提交排课约束条件（课程、教师、教室、时间等）
-	后端接收并预处理数据，生成排课问题域
+	- 前端提交排课约束条件（课程、教师、教室、时间等）
+	- 后端接收并预处理数据，生成排课问题域
 ​2.种群初始化
-	随机生成初始种群（多个候选课表）
-	每个个体表示一种排课方案（教室、教师、时间槽的合法组合）
+	- 随机生成初始种群（多个候选课表）
+	- 每个个体表示一种排课方案（教室、教师、时间槽的合法组合）
 ​3.适应度评估
-	对每个个体进行约束检测和评分
-	计算冲突数（如教师时间冲突、教室占用冲突等）
-	根据冲突情况计算适应度值（冲突越少，适应度越高）
+	- 对每个个体进行约束检测和评分
+	- 计算冲突数（如教师时间冲突、教室占用冲突等）
+	- 根据冲突情况计算适应度值（冲突越少，适应度越高）
 ​4.迭代优化阶段
-	​选择（Selection）​
-		采用轮盘赌选择法，优先保留高适应度个体
-		适应度越高的个体被选中的概率越大
-	​交叉（Crossover）​
-		从父代中选择两个个体，交换部分课程安排
-		生成新的子代个体，保留优质基因
-	​变异（Mutation）​
-		随机调整部分课程的时间或教室分配
-		引入多样性，避免早熟收敛
+	- ​选择（Selection）​
+		- 采用轮盘赌选择法，优先保留高适应度个体
+		- 适应度越高的个体被选中的概率越大
+	- ​交叉（Crossover）​
+		- 从父代中选择两个个体，交换部分课程安排
+		- 生成新的子代个体，保留优质基因
+	- ​变异（Mutation）​
+		- 随机调整部分课程的时间或教室分配
+		- 引入多样性，避免早熟收敛
 ​5.结果输出阶段
-	记录迭代过程中的最优解
-	最终输出冲突最少的排课方案（适应度最高的）
-	保存无法避免的冲突
+	- 记录迭代过程中的最优解
+	- 最终输出冲突最少的排课方案（适应度最高的）
+	- 保存无法避免的冲突
 
 ## 2. 核心组件与数据结构
 
 ### 2.1 主要数据模型
 
-| 数据模型名称                          | 数据模型简介                        |
-| ------------------------------- | ----------------------------- |
-| AutomaticClassSchedulingBaseDTO | 表示后端准备数据结束后生成的算法所需所有数据        |
+| 数据模型名称                    | 数据模型简介                                               |
+| ------------------------------- | ---------------------------------------------------------- |
+| AutomaticClassSchedulingBaseDTO | 表示后端准备数据结束后生成的算法所需所有数据               |
 | ScheduleDTO                     | 表示一个完整课程表的解决方案，包含课程安排列表和适应度值。 |
-| CourseScheduleDTO               | 单个课程的排课方案，包含时间槽与课程安排项的映射。     |
-| CourseScheduleItemDTO           | 具体的课程安排项，包含课程、教师、教室、班级等信息。    |
-| TimeSlotDTO                     | 时间槽，表示第几周、星期几、第几节课。           |
+| CourseScheduleDTO               | 单个课程的排课方案，包含时间槽与课程安排项的映射。         |
+| CourseScheduleItemDTO           | 具体的课程安排项，包含课程、教师、教室、班级等信息。       |
+| TimeSlotDTO                     | 时间槽，表示第几周、星期几、第几节课。                     |
 
 ### 2.2 关键工具类
-| 工具类名称                     | 工具类简介                         |
-| ------------------------- | ----------------------------- |
+| 工具类名称                | 工具类简介                                                 |
+| ------------------------- | ---------------------------------------------------------- |
 | ClassroomSelectionUtil    | 教室选择工具类，负责根据课程要求和学生人数选择合适的教室。 |
-| ScheduleFitnessCalculator | 适应度计算工具类，评估课程表的质量。            |
-| TimeSlotGeneratorUtil     | 时间槽生成工具类，生成符合要求的时间安排。         |
-| CheckConflicts            | 冲突检测工具类，检查各种资源冲突。             |
+| ScheduleFitnessCalculator | 适应度计算工具类，评估课程表的质量。                       |
+| TimeSlotGeneratorUtil     | 时间槽生成工具类，生成符合要求的时间安排。                 |
+| CheckConflicts            | 冲突检测工具类，检查各种资源冲突。                         |
 ### 2.3 算法接口
 
-| 接口名称                             | 接口简介                         |
-| -------------------------------- | ---------------------------- |
-| GenerateInitialPopulationService | 初始化种群，根据要求初始化符合要求的种群         |
-| EvaluatePopulationService        | 评估种群，根据要求计算种群的适应度            |
-| IterateService                   | 进化迭代，根据要求对各个种群进行选择，交叉与变异     |
+| 接口名称                         | 接口简介                                                 |
+| -------------------------------- | -------------------------------------------------------- |
+| GenerateInitialPopulationService | 初始化种群，根据要求初始化符合要求的种群                 |
+| EvaluatePopulationService        | 评估种群，根据要求计算种群的适应度                       |
+| IterateService                   | 进化迭代，根据要求对各个种群进行选择，交叉与变异         |
 | BaseGeneticSchedulingLogic       | 基础算法，包括冲突检测，根据排课结果创建返回值保存到数据 |
 ## 3. 算法流程
 
 ### 3.1 数据准备阶段 (ScheduleLessonsDataPreparationThread)
+
 ```mermaid
 flowchart TD
     A[开始] --> B[获取基础数据]
@@ -101,118 +106,115 @@ flowchart TD
 ```
 
 ### 3.2 遗传算法执行 (AutomaticClassSchedulingThread)
-```mermaid
 
+```mermaid
 flowchart TD
-
     A[初始化种群] --> B[适应度评估]
-
     B --> C{满足终止条件?}
-
     C -->|否| D[选择操作]
-
     D --> E[交叉操作]
-
     E --> F[变异操作]
-
     F --> B
-
     C -->|是| G[获取最优解]
-
     G --> H[冲突检测]
-
     H --> I[保存排课数据]
-
     H --> J[保存冲突数据]
 
-  
-
     %% 样式定义
-
     style A fill:#2196F3,stroke:#1976D2,color:white
-
     style B fill:#2196F3,stroke:#1976D2,color:white
-
     style D fill:#4CAF50,stroke:#388E3C,color:white
-
     style E fill:#FF9800,stroke:#F57C00,color:white
-
     style F fill:#9C27B0,stroke:#7B1FA2,color:white
-
     style G fill:#607D8B,stroke:#455A64,color:white
-
     style H fill:#607D8B,stroke:#455A64,color:white
-
     style I fill:#4CAF50,stroke:#388E3C,color:white
-
     style J fill:#FF9800,stroke:#F57C00,color:white
-
     %% 决策节点样式
-
     style C fill:#FFF8E1,stroke:#FFC107,color:#333,font-weight:bold
-
     %% 全局设置
-
     classDef default font-size:12px
-
 ```
 
 ## 4. 关键算法实现
+
 ### 4.1 种群初始化(GenerateInitialPopulationService)
+
 通过基础数据，对需要排课的每一门课进行初次随机分配：
+
 - 优先对每一门课进行分班处理，由于可能存在一门课的人数过多，若未限定行政班，算法将会根据人数进行分配，最小为30人一个教学班，最大为120人分配教学班，如果超过120人则进行随机分配班级，始终保持教学班人数为30-120人之间；若限定行政班级，算法将会优先按照专业一样的班级进行分班，专业一样的班级优先为一个教学班，若人数少于或超过则进行二次分班，始终保持由行政把你组成教学班人数为30-120人之间。
 - (ClassroomSelectionUtil)  为每一个教学班级随机分配一个符合要求的教室，符合人数大小（教室容量大于教学班人数）的，符合课程安排的教室，若基础数据为没有符合的教室，则会优先分配一个人数尽可能符合的教室，若还不存在，则随机分配一个人数尽可能符合的教室，保证每一个教学班都有教室上课。
 - 为每一个教学班级随机分配一个老师，根据基础数据获取符合有教学资格的老师（必定存在），通过随机数的分配，随机选择一个老师为这一个教学班级进行上课。
 - 以上数据会被存到CourseScheduleItemDTO中作为这门课的基础信息。
 - (TimeSlotGeneratorUtil)为每一教学班级分配上课时间槽，根据基础数据中周学时来为课程分配时间槽，根据周学时来自动分配每周上课时间槽，在周学时为奇数的情况下，系统会自动生成单双周补课时间槽（由用户定义单双周），在此基础上生成时间槽列表，存放到CourseScheduleDTO组成一门课程安排。
 
 ### 4.2 种群评估 (EvaluatePopulationService)
+
 评估每个课程表解决方案的适应度，主要考虑因素包括：
+
 #### 4.2.1 冲突检测：
-	​教师冲突检测​：检查同一教师在同一时间是否被分配多个课程，每发现一处冲突给予100分惩罚
-	​教室冲突检测​：检查同一教室在同一时间是否被分配多个课程，每发现一处冲突给予100分惩罚
-	​班级冲突检测​：检查同一班级在同一时间是否被分配多个课程，每发现一处冲突给予100分惩罚
+
+1. ​教师冲突检测​：检查同一教师在同一时间是否被分配多个课程，每发现一处冲突给予100分惩罚
+​2. 教室冲突检测​：检查同一教室在同一时间是否被分配多个课程，每发现一处冲突给予100分惩罚
+​3. 班级冲突检测​：检查同一班级在同一时间是否被分配多个课程，每发现一处冲突给予100分惩罚
+
 #### 4.2.2 时间偏好评估
-	​偏好时间段匹配​：课程被安排在教师/班级的偏好时间段时，每节课+10分
-	​非偏好时间段惩罚​：课程被安排在教师/班级的非偏好时间段时：
-		晚上但不期望晚课：每节课-5分
-		早上但不期望早课：每节课-3分
+
+1. ​偏好时间段匹配​：课程被安排在教师/班级的偏好时间段时，每节课+10分
+2. ​非偏好时间段惩罚​：课程被安排在教师/班级的非偏好时间段时：
+   1. 晚上但不期望晚课：每节课-5分
+   2. 早上但不期望早课：每节课-3分
+
 #### 4.2.3 连续课程优化
-	​连续课程奖励​：对同一班级连续安排2节以上相同课程时，每组连续课程给予(课程数-1)5分的奖励
-	​合理间隔检查​：理论课与实践课之间至少间隔1天，不符合要求每处-5分
+
+1. ​连续课程奖励​：对同一班级连续安排2节以上相同课程时，每组连续课程给予(课程数-1)5分的奖励
+2. ​合理间隔检查​：理论课与实践课之间至少间隔1天，不符合要求每处 -5 分
+3. 
 #### 4.2.4 教室资源优化
-	​容量匹配度​：计算教室容量利用率：
-		70%-90%：+5分
-		90%：+10分
-		低于70%：-5分
-	​教室类型匹配​：
-		匹配课程需求（如实验室对应实验课）：+10分
-		不匹配：-5分
+
+1. ​容量匹配度​：计算教室容量利用率：
+   - 70%-90%：+5分
+   - 90%：+10分
+   - 低于70%：-5分
+2. 教室类型匹配​：
+   - 匹配课程需求（如实验室对应实验课）：+10分
+   - 不匹配：-5分
+
 #### 4.2.5 教师偏好满足
-	根据教师对时间槽的偏好级别进行评分：
-		非常期望的时间段：+10分/节课
-		较期望的时间段：+5分/节课
-		可接受的时间段：+0分
-		尽量避免的时间段：-5分/节课
-		最不期望的时间段：-10分/节课
+
+根据教师对时间槽的偏好级别进行评分：
+
+- 非常期望的时间段：+10分/节课
+- 较期望的时间段：+5分/节课
+- 可接受的时间段：+0分
+- 尽量避免的时间段：-5分/节课
+- 最不期望的时间段：-10分/节课
+
 ### 4.2.6 适应度公式
-	适应度 = 基准分(1000) 
-         - (教师冲突数 × 100) 
-         - (教室冲突数 × 100) 
-         - (班级冲突数 × 100)
-         + (偏好时间段匹配数 × 10)
-         - (非偏好晚课数 × 5) 
-         - (非偏好早课数 × 3)
-         + (连续课程组数 × (课程数-1) × 5)
-         - (不合理间隔数 × 5)
-         + Σ教室容量加分（按利用率区间）
-         + Σ教室类型匹配分（+10或-5）
-         + Σ教师偏好分（按偏好级别）
+
+```
+适应度 = 基准分(1000) 
+        - (教师冲突数 × 100) 
+        - (教室冲突数 × 100) 
+        - (班级冲突数 × 100)
+        + (偏好时间段匹配数 × 10)
+        - (非偏好晚课数 × 5) 
+        - (非偏好早课数 × 3)
+        + (连续课程组数 × (课程数-1) × 5)
+        - (不合理间隔数 × 5)
+        + Σ教室容量加分（按利用率区间）
+        + Σ教室类型匹配分（+10或-5）
+        + Σ教师偏好分（按偏好级别）
+```
+
 ### 4.3 选择、交叉与变异 (IterateService)
+
 - **选择操作**：使用轮盘赌选择法，适应度高的个体有更大概率被选中。
 - **交叉操作**：将两个父代解决方案的部分课程安排进行交换，生成新的解决方案。
 - **变异操作**：随机改变部分课程的时间槽或教室分配，以增加种群多样性。
+
 ### 4.4 冲突检测 (BaseGeneticSchedulingLogic)
+
 - **时间冲突检测**：检查相同时间槽是否有资源冲突。
 - **教师冲突**：同一教师不能同时出现在不同地点授课。
 - **教室冲突**：同一教室不能同时安排多门课程。
@@ -221,16 +223,20 @@ flowchart TD
 ## 5. 算法优化策略
 
 ### 5.1 三种排课策略
+
 系统提供三种排课策略，通过调整算法参数实现不同的优化目标：
+
 - **优化策略**：种群大小200，最大迭代次数1000，交叉率0.8，变异率0.1。
-  注重排课质量，生成最优解，但耗时较长。
+   - 注重排课质量，生成最优解，但耗时较长。
 - **平衡策略**：种群大小100，最大迭代次数500，交叉率0.7，变异率0.2。
-  在时间和质量之间取得平衡。
+   - 在时间和质量之间取得平衡。
 - **快速策略**：种群大小50，最大迭代次数200，交叉率0.6，变异率0.3。
-  快速生成可接受的解决方案，适合临时排课。
+   - 快速生成可接受的解决方案，适合临时排课。
 
 ### 5.2 多约束条件优化
+
 系统支持多种约束条件的组合优化：
+
 - **教师偏好考虑**：尊重教师的时间偏好设置。
 - **教室优化**：合理分配教室资源，提高利用率。
 - **学生冲突避免**：避免同一班级在同一时间段有多门课程。
@@ -239,22 +245,31 @@ flowchart TD
 - **时间槽单双周分配**: 根据奇数周学时自动分配单双周补课
 
 ## 6 算法输出与结果处理
+
 ### 6.1 排课结果
+
 系统生成的排课结果包含：
+
 - **课程安排列表**：详细的课程安排信息，包括课程、教师、教室、时间等。
 - **冲突信息**：如果存在无法避免的冲突，会记录冲突详情。
 - **资源利用率**：包括教室利用率、教师工作量分布、时间槽使用率等。
+
 ### 6.2 数据持久化
+
 - 将排课结果保存到数据库中的课程安排表和教学班表。
 - 记录排课过程中的冲突情况，便于管理员后续处理。
 - 临时保存排课结果到Redis缓存，支持查看，便于用户查看结果
+
 ## 7. 算法优势与特点
+
 1. **多约束条件支持**：同时处理教师、教室、班级等多种资源约束。
 2. **灵活的策略选择**：提供多种排课策略，满足不同场景需求。
 3. **教室资源优化**：根据课程类型和学生人数智能分配教室。
 4. **冲突处理机制**：识别并记录无法避免的冲突，辅助人工决策。
 5. **时间偏好支持**：考虑教师和管理员的时间偏好设置。
 6. **连续课程优化**：优先安排连续课程，提高教学效果和资源利用率。
 7. **单双周排课**：支持单周、双周排课的特殊情况处理。
+
 ## 8. 结论
-  遗传算法在智能排课系统中的应用，有效解决了高校排课中的复杂约束问题。通过模拟自然选择和遗传机制，系统能够在合理时间内生成满足多种约束条件的课程表，大幅提高排课效率和质量。系统的多策略支持和灵活配置，使其能够适应不同院校、不同场景的排课需求。
+
+遗传算法在智能排课系统中的应用，有效解决了高校排课中的复杂约束问题。通过模拟自然选择和遗传机制，系统能够在合理时间内生成满足多种约束条件的课程表，大幅提高排课效率和质量。系统的多策略支持和灵活配置，使其能够适应不同院校、不同场景的排课需求。