装配顺序不再靠事后修补：约束内进化的规划器在128个可恢复扰动场景里全部给出精确最优剩余序列
核心概要
模块化装配中，机器人任务顺序必须满足装配先后约束，并在开工后条件变化时重排。约束感知遗传任务规划（CGTP）把初始化和变异都限制在满足先后约束的可行区域内，重规划时冻结已完成工序、只重算剩余任务图。在可穷举验证的八任务基准上，128个结构可恢复场景全部返回精确最优可行后缀，3个不可恢复场景全部被正确标记；在90个实例的语料上，各类扰动恢复率为0.881至1.000，且没有预算导致的搜索失败。
深度剖析
装配规划器现在可以在不破坏装配先后约束的前提下搜索任务顺序，并在执行中途遇到扰动时只重排尚未完成的工序。 常规遗传算法用普通交叉和变异产生候选顺序，再靠修复步骤把不合法的顺序拉回可行域；CGTP改为让算子本身只产生满足先后约束的顺序。 在九格语料（任务数12、16、30各配稀疏、中等、稠密三种约束强度，每格10个实例、每实例50次配对试验）上，CGTP在整个实验过程中没有触发过一次先后约束修复。
扰动后的重规划在可以穷举核对的小规模上给出了精确答案，而不只是找到一个可行答案。 此前缺少在可穷举规模上对重规划输出做逐例核对的证据。 在八任务基准的168个扰动场景中，131个几何上可接受，其中128个结构可恢复场景全部返回穷举枚举确认的最优可行后缀，3个结构不可恢复场景全部被正确标记为不可恢复。
在语料规模上，扰动恢复率高，且未恢复的部分被归因为结构上无解，而不是规划器没搜到。 以往把未恢复统一记作失败，无法区分问题本身无解与搜索预算不足。 90个实例共67500次重规划中，按扰动类别恢复率为D1约0.978、D2至D4为1.000、D5约0.881，预算导致的搜索失败为零，剩余部分由独立的结构可恢复性判定器确认为结构不可恢复。
静态目标质量上，CGTP并不优于修复式遗传算法，这一取舍随问题规模变化。 修复式遗传算法在最大规模上反而更好。 CGTP与修复式遗传算法的配对差值在N为12和16时统计上不可区分，在N为30的三个约束强度格中修复式遗传算法均显著更好（稀疏+0.029、中等+0.023、稠密+0.007，Holm校正p=0.018）。
启示与展望
结果覆盖任务层的先后约束规划与扰动重规划：八任务基准上的精确核对、90个实例语料上的恢复率统计，以及一次在PyBullet中仿真的Franka Emika Panda工作单元位姿审计（96/96个位姿逆运动学可达且无碰撞）。机器人层的完整运动可行性、闭环执行反馈与更大规模的最优性不在已证范围内。
语料每格只有10个实例，单元级统计功效有限；静态比较只用单一冻结预算，未刻画预算敏感性；扰动只在一个注入点施加；语料规模的恢复评估只跑了CGTP本身，因此是能力与归因结果而非与其他重规划器的比较；D5在N为12和16的稠密格中未能在校正阈值下拒绝0.5恢复下限的原假设。