一、RL 训练框架

case_generator; data;

train、test、validate.

gym.env;

一边train 一边用当前模型验证validate来获得两条曲线

train curve和validate curve（反映模型优劣的）

二、GA 求解器（solver）框架”

照抄落地的文件结构 + 每个文件该放什么类/函数 + 互相怎么调用。

一、推荐目录结构（最少但够用）
project/
config.json
main_solve.py
main_batch.py
data/
valid/...
test/...
src/
init.py
io/
init.py
case_loader.py
sim/
init.py
decoder.py
model.py
ga/
init.py
chromosome.py
operators.py
solver.py
eval/
init.py
metrics.py
recorder.py

二、每个文件怎么定义（你照着写接口即可）

1）src/io/case_loader.py：只负责“读数据”
职责：把 case_path 读成统一的 Case 对象（你自己的数据结构）。
建议接口：

• class CaseLoader:

  • load(case_path) -> Case

2）src/sim/model.py：系统与任务的数据结构（纯数据，不做搜索）
职责：定义你问题里的对象：订单、任务、资源（穿梭车、提升机）、距离/时间矩阵等。
建议放：

• @dataclass Case：包含订单列表、站点、层、巷道、处理时间参数等

• @dataclass Solution：一个 case 的解（订单序列 + 派车决策）

• @dataclass SimResult：仿真输出（makespan、各资源时间线等）

3）src/sim/decoder.py：仿真/评估器（你已经写的 decode 就放这里）
职责：给定（Case + Solution）→ 推演 → makespan。
建议接口（最关键）：

• class Decoder:

  • evaluate(case: Case, sol: Solution) -> SimResult 或直接 float

  • （可选）validate(sol, case) -> bool（检查可行性）
    说明：Decoder 不做 GA，不做随机搜索，只做“给你一个解，我算分”。

4）src/ga/chromosome.py：染色体表示（关键：case-specific）
职责：定义个体怎么存，怎么转成 Solution。
建议接口：

• @dataclass Chromosome:

  • order_perm: list[int] # 订单ID排列（长度=该case订单数）

  • assign_gene: list[int] # 派车/提升机选择（长度同订单或同任务）

  • fitness: float | None

• def to_solution(ch: Chromosome, case: Case) -> Solution

5）src/ga/operators.py：GA 操作算子（不依赖 decoder）
职责：初始化、选择、交叉、变异、修复。
建议函数：

• init_population(case, pop_size, rng) -> list[Chromosome]

• select(pop, k, rng) -> list[Chromosome]

• crossover(p1, p2, rng) -> (c1, c2) （排序部分用OX/PMX；派车部分用均匀交叉）

• mutate(ch, rng) -> Chromosome （排序用swap/insert；派车用随机重置）

• repair(ch, case) -> Chromosome （保证排列合法、派车合法）

6）srcb：GA 主循环（唯一“搜索”所在）
职责：对单个 case 运行 GA，调用 decoder 计算适应度，返回最优解。
建议接口：

• class GASolver:

  • init(ga_params, rng_seed)

  • solve(case: Case, decoder: Decoder) -> (best_sol: Solution, best_ms: float, curve: list[float])

  • evaluate_population(pop, case, decoder) -> None（写 fitness）
    说明：GASolver 才知道“代数”“收敛曲线”。

7）src/eval/recorder.py：结果记录（Excel/CSV/图）
职责：把每个 case 的结果、曲线保存到文件。
建议接口：

• class Recorder:

  • log_case_result(case_id, best_ms, run_time, curve)

  • save_summary(path)

  • save_curves(path)
    你如果要保留 pandas 写 xlsx，就放这里。

三、文件之间怎么调用（调用链清晰到一眼可复现）

单个 case 求解（最核心流程）
main_solve.py：

1. loader = CaseLoader()

2. case = loader.load(case_path)

3. decoder = Decoder(sim_params)

4. ga = GASolver(ga_params, seed)

5. best_sol, best_ms, curve = ga.solve(case, decoder)

6. recorder.log_case_result(...)

批量 case（论文实验常用）
main_batch.py：

1. valid_paths = 列目录得到一批 case_path

2. for each case_path:

   • load case

   • run GA solve（通常每个 case 重复 R 次不同 seed）

   • 统计 mean/std/min

3. 输出表格 + 收敛曲线（单case或平均）

四、现在项目里应当删掉/彻底隔离的东西

• gym、env.step、state、done、PPO_model、torch、visdom（除非只是用 visdom画图，但不建议混着）

• “train/validate”命名建议改成：

  • solve（求解）

  • evaluate（评估）

  • convergence curve（收敛曲线）

五、现在最容易卡住的点：Solution 的统一定义
染色体两段：订单排序 + 派车选择。建议把 Solution 固定为：

• order_sequence：订单ID列表（一个排列）

• assignment：与订单一一对应的资源选择（穿梭车ID、提升机ID，或编码后的策略）
  Decoder 只认 Solution，不直接读 Chromosome。这样后续你换编码方式，Decoder 不用动。

六、一个最小可跑的“主函数骨架”
可以直接按这个写 main_solve.py（不涉及具体业务细节）：

from src.io.case_loader import CaseLoader from src.sim.decoder import Decoder from src.ga.solver import GASolver from src.eval.recorder import Recorder def main(): case_path = "./data/test/30_04_01/case_001.json" loader = CaseLoader() case = loader.load(case_path) decoder = Decoder() ga = GASolver(ga_params={"pop": 50, "gen": 200}, rng_seed=0) best_sol, best_ms, curve = ga.solve(case, decoder) rec = Recorder(out_dir="./results") rec.log_case_result(case_id=case.case_id, best_ms=best_ms, run_time=None, curve=curve) rec.save_summary("summary.xlsx") if __name__ == "__main__": main()