背景
业务上需要做一个排课系统，先调研了业内友商的排课系统，同时做了算法的对比和可行性分析。
需求
排课任务：设置任务名称、学期、排课年级集合；
节次设置：设置每周上课天数，以及每天上课节次数（上午节次数、下午节次数、晚上节次数）；
课程设置：设置排课科目集合，以及各个科目的总课时、连堂课时；
教师设置：设置排课老师集合，以及各个老师所带科目、所带班级；
排课规则设置：
不排课规则：支持多维度不排课；
班级不排课：某班级不允许在选择的节次排课；
教师不排课：某老师不允许在设置的节次排课；
课程不排课：某科目不允许在设置的节次排课；
不连堂规则：选择两个相邻节次，不允许排连堂课；例如：选择上午第一节、第二节，则不允许排连堂课；
优先规则：支持多维度优先；
课程优先：在某节次内排课，遵循某课程优先选择原则；
教师优先：在某节次内排课，遵循某教师优先选择原则；
合班规则：设置科目、班级合班后，多个班级某科目的上课时间在同一个节次；
单双周规则：设置某年级的单、双周课程组合；例如：单周上道法课，双周上自然课；
课程互斥规则：可以给多个课程设置互斥规则，设置规则的课程不会在一天内排课；
预排规则：预先给部分课程和老师进行排课；
其它规则：
教案齐平规则
周任课规则：某科目的课程分布：周内分散，周内集中；
日任课规则：某科目的课程分布：日内分散，日内集中；
算法
排课算法选择：
贪心算法： 贪心算法可以用于一些简单的排课问题，例如按照某种优先级安排课程。但在实际应用中，可能需要结合其他算法来处理更复杂的约束条件。
遗传算法： 遗传算法在优化问题上表现优异，可以用于优化排课方案。通过模拟自然选择和基因变异的过程，遗传算法能够搜索到比较好的解。
模拟退火算法： 模拟退火算法是一种全局搜索算法，适用于在搜索空间中找到全局最优解的问题。在排课系统中，可以用于搜索满足各种约束条件的最优排课方案。
贪心算法
贪心算法是一种简单而直观的算法，但它也有一些明显的局限性：
局部最优不一定导致全局最优：贪心算法每步都选择当前状态下的最优解，但这种局部最优并不保证最终得到全局最优解。有些问题需要考虑长远影响，贪心算法无法预测未来的局势。
不适用于所有问题：贪心算法通常适用于某些特定类型的问题，但对于某些问题，贪心策略可能导致次优解或者不可行解。例如，某些涉及到约束条件的问题可能无法通过简单的贪心选择解决。
没有回溯：贪心算法做出选择后就无法撤销，它不具备回溯的能力。如果之前的选择导致后续无法找到解，贪心算法无法进行修正。
对问题的依赖性：贪心算法的效果也取决于问题的性质。在某些情况下，贪心算法可能表现良好，但在另一些情况下可能效果较差。
可能需要排序：对于某些问题，贪心算法可能需要对元素进行排序以选择最优解。排序本身可能引入额外的复杂度。
总体而言，贪心算法是一种简单而快速的近似算法，但在解决一些复杂问题时可能表现不佳。在设计算法时，需要仔细考虑问题的特性，选择合适的算法以获得更好的解决方案。
模拟退火算法
模拟退火算法（Simulated Annealing）是一种基于统计力学中的退火过程的全局优化算法。它被广泛应用于解决组合优化问题，包括排课、旅行商问题等。
基本思想：
模拟退火算法通过模拟固体退火时的温度变化过程，逐步降低系统能量（目标函数值），以接受较差的解，防止陷入局部最优解。
主要步骤：
初始化： 随机生成初始解，并设置初始温度和