数学建模任务分配篇1
关键词：众核处理机；KeplerGK110；计算模式；CUDa流
中图分类号：tn911?34；tp302文献标识码：a文章编号：1004?373X（2013）22?0001?04
0引言
在航空航天、医疗服务、地质勘探等复杂应用领域，需要处理的数据量急剧增大，需要高性能的实时计算能力提供支撑。与多核处理器相比，众核处理器计算资源密度更高、片上通信开销显著降低、性能/功耗比明显提高，可为实时系统提供强大的计算能力。
在复杂应用领域当中，不同应用场景对计算的需求可能不同。例如，移动机器人在作业时，可能需要同时执行路径规划、目标识别等多个任务，这些任务需要同时执行；在对遥感图像处理时，需要对图像数据进行配准、融合、重构、特征提取等多个步骤，这些步骤间既需要同时执行，又存在前驱后继的关系。因此，基于众核处理器进行计算模式的动态构造，以适应不同的应用场景和应用任务成为一种新的研究方向。文献[1]研究了具有逻辑核构造能力的众核处理器体系结构，其基本思想是基于多个细粒度处理器核构建成粗粒度逻辑核，将不断增加的处理器核转化为单线程串行应用的性能提升。文献[2]提出并验证了一种基于类数据流驱动模型的可重构众核处理器结构，实现了逻辑核处理器的运行时可重构机制。文献[3]提出了一种支持核资源动态分组的自适应调度算法，通过对任务簇的拆分与合并，动态构建可弹性分区的核逻辑组，实现核资源的隔离优化访问。
GpGpU（General?purposeComputingonGraphicsprocessingUnits）作为一种典型的众核处理器，有关研究多面向单任务并发执行[4?5]方面的优化以及应用算法[6?8]的加速。本文以GpGpU为平台，通过研究和设计，构建了单任务并行、多任务并行和多任务流式处理的多计算模式处理系统。
1众核处理机
1.1众核处理机结构
众核处理机是基于众核控制单元（mpU）与众核处理器（GpGpU）相结合的主、协处理方式构建而成，其逻辑结构如图1所示。众核处理机由众核控制单元和众核计算单元两部分组成，其中众核控制单元采用X86结构的mpU，与众核计算单元之间通过pCi?e总线进行互连。
1.2CUDa流与Hyper?Q
在统一计算设备架构（ComputeUnifiedDevicearchitecture，CUDa）编程模型中，CUDa流（CUDaStream）表示GpU的一个操作队列，通过CUDa流来管理任务和并行[9]。CUDa流的使用分为两种：一种是CUDa在创建上下文时会隐式地创建一个CUDa流，从而命令可以在设备中排队等待执行；另一种是在编程时，在执行配置中显式地指定CUDa流。不管以何种方式使用CUDa流，所有的操作在CUDa流中都是按照先后顺序排队执行，然后每个操作按其进入队列的顺序离开队列。换言之，队列充当了一个FiFo（先入先出）缓冲区，操作按照它们在设备中的出现顺序离开队列。
在GpU中，有一个CUDa工作调度器（CUDaworkDistributor，CwD）的硬件单元，专门负责将计算工作分发到不同的流处理器中。在Fermi架构[10]中，虽然支持16个内核的同时启动，但由于只有一个硬件工作队列用来连接主机端CpU和设备端GpU，造成并发的多个CUDa流中的任务在执行时必须复用同一硬件工作队列，产生了虚假的流内依赖关系，必须等待同一CUDa流中相互依赖的kernel执行结束，另一CUDa流中的kernel才能开始执行。而在KeplerGK110架构[11]中，新具有的Hyper?Q特性消除了只有单一硬件工作队列的限制，增加了硬件工作队列的数量，因此，在CUDa流的数目不超过硬件工作队列数目的前提下，允许每个CUDa流独占一个硬件工作队列，CUDa流内的操作不再阻塞其他CUDa流的操作，多个CUDa流能够并行执行。
如图2所示，当利用Hyper?Q和CUDa流一起工作时，虚线上方显示为Fermi模式，流1、流2、流3复用一个硬件工作队列，而虚线下方为KeplerHyper?Q模式，允许每个流使用单独的硬件工作队列同时执行。
2众核多计算模式处理框架
为了充分发挥众核处理器的计算能力，众核处理系统面对不同的计算任务的特点，可构建三种计算模式，即单任务并行计算、多任务并行计算、多任务流式计算。
2.1众核多计算模式处理系统结构
众核多计算模式处理系统结构如图3所示。众核处理系统包括数据通信、任务管理、形态管理、资源管理和控制监听模块。
数据通信模块：提供接口给主控机，负责接收从主控机发送来的任务命令和任务计算所需的任务数据，并且最终将众核处理机运算完成的计算结果通过该模块返回给主控机。
控制监听模块：在众核处理系统运行时，实时获取主控机发送给众核处理机的任务命令，将其传送给任务管理模块，并接收任务管理模块返回的任务命令执行结果。
任务管理模块：负责计算任务的加载过程，将控制监听模块发送来的任务命令存于任务队列，当众核计算单元需要加载任务进行计算时，从任务队列中获取任务命令，根据任务命令从任务配置文件中获取任务计算所需的任务信息，该任务信息包含了计算任务运行时所需的存储空间大小、适合于该任务的计算模式、执行函数（即CUDa中的kernel函数）等内容，在计算任务在被加载前，需要通知形态管理模块把众核计算单元切换到指定的计算模式下，并通知资源管理模块分配存储空间，通过数据通信模块获取任务数据，然后读取任务计算库，加载执行函数进行计算。
形态管理模块：接收任务管理模块发送来的目标计算模式，切换到该种计算模式。
资源管理模块：根据任务管理模块发送的参数分配存储空间，包括众核控制单元的存储空间和众核计算单元的存储空间，众核控制单元的存储空间用于对任务数据进行缓存，然后通过数据传输的api接口把缓存在众核控制单元的数据传送到众核计算单元的存储空间，在计算时由从众核计算单元存储空间加载数据进行计算。
2.2计算模式构建与切换
计算模式构建是形态管理模块根据接收到的命令动态构建出被指定的目的计算模式的过程。众核处理系统在初始化时，就已经创建了指定数目的CUDa流（CUDa流的最大数目取决于GpU中硬件工作队列的数目），并采用空位标记法对创建的CUDa流进行管理，通过标记位的有效性描述CUDa流的可用性。当目的计算模式为单任务计算时，只需将首位的CUDa流标记设置为有效，其他全部标记为无效，在对计算任务加载时，将计算任务放入该CUDa流中进行计算；当目的计算模式为多任务计算时，需要将指定数目CUDa流的标记位设置为有效，在对计算任务加载时，通过轮询的方式将计算任务放入到相应的CUDa流中，利用CUDa流的Hyper?Q特性，同时加载多个计算任务到众核计算单元；当目的计算模式为多任务流式计算时，需要将指定CUDa流的标记设置为有效，从构建第一个计算步开始，将第一个计算步放入第一个CUDa流中进行计算，当第一个计算步首次完成计算后，利用二元信号量通知众核控制单元中的任务管理模块开始构建第二个计算步，并重新构建第一个计算步，以此类推，完成对多任务流式计算中每个计算步的动态构建过程。
计算模式的切换是当众核计算单元的当前计算模式与计算任务执行需要的计算模式（即目的计算模式）不匹配时，需要对众核计算单元的计算模式进行切换，以适应计算模式变化的需求。
在从任务配置文件中获取适应于计算任务执行的目的计算模式后，首先与当前计算模式进行比较，若匹配成功则不需要进行计算模式的切换；若匹配失败则进一步判断众核在当前计算模式下是否空闲，如处于忙碌状态则需要等待，对于不同优先级的任务设有不同的等待时限，以保证对计算任务的及时响应，当大于这一时限时强制结束正在运行的任务以释放计算资源，从而构建新的计算模式，完成计算模的切换过程，流程图如图4所示。
2.3共享内存缓冲技术
众核计算单元在对主控机请求的计算任务加载前，必须获取来自主控机的任务数据，为了实现对任务数据的接收和发送，需要建立相应的数据缓冲区。传统的方法是采用消息队列和基于共享内存信号灯的方式来建立和管理数据缓冲区，但当数据的写入和读取速度差别较大时，容易造成数据缓冲区的阻塞。因此采用一种可滑动动态共享内存缓冲技术[12]，如图5所示。
在众核控制单元的存储空间中申请存储空间作为存放数据的缓冲池，按需要建立指定数量的单向指针链表，每个指针链表代表一个数据缓冲区，在众核处理系统的计算模式切换时，可根据并行任务数目的变化修改指针链表的节点数，使每个数据缓冲区占用的存储空间按需滑动，以提高整个数据缓池数据的传递效率。
2.4计算库动态加载
在对计算任务的执行函数进行加载时，采用动态共享库的方式，因为动态链接的共享库具有动态加载、封装实现、节省内存等优点，可以把众核计算单元的执行函数与逻辑控制程序相隔离，降低了众核计算与逻辑控制的耦合度，增加了可扩展性和灵活性。
在动态加载计算库前，需要将执行函数编译生成动态共享库，进而在程序中进行显示调用。当调用时使用动态加载api，该过程首先调用dlopen以打开指定名字的动态共享库，并获得共享对象的句柄；而后通过调用dlsym，根据动态共享库操作句柄与符号获取该符号对应的函数的执行代码地址；在取得执行代码地址后，就可以根据共享库提供的接口调用与计算任务对应的执行函数，将执行函数发射到众核计算单元，由众核计算单元根据执行函数的配置参数组织计算资源进行计算；当不会再调用共享对象时调用dlclose关闭指定句柄的动态共享库。
3结语
针对复杂应用领域计算任务对多种计算模式的需求，本文研究了众核处理机结构，根据nViDiaKeplerGK110架构中Hyper?Q与CUDa流的特性，构建了可单任务并行计算、多任务并行计算、多任务流式计算间动态切换的众核多计算模式系统，能够提高实时计算平台的灵活性，以适应不同的任务计算需求。下一步的研究方向是挖掘GpU中硬件工作链路与Sm（Streamingmultiprocessor）间的映射机制。
参考文献
[1]任永青.逻辑核动态可重构的众核处理器体系结构[D].合肥：中国科学技术大学，2010.
[2]许牧.可重构众核流处理器体系结构关键技术研究[D].合肥：中国科学技术大学，2012.
[3]曹仰杰，钱德沛，伍卫国，等.众核处理器系统核资源动态分组的自适应调度算法[J].软件学报，2012（2）：240?252.
[4]肖汉，肖波，冯娜，等.基于CUDa的细粒度并行计算模型研究[J].计算机与数字工程，2013（5）：801?804.
[5]宋晓丽，王庆.基于GpGpU的数字图像并行化预处理[J].计算机测量与控制，2009（6）：1169?1171.
[6]邓志权.基于GpGpU的实时高质量光线投射算法研究[D].广州：华南理工大学，2012.
[7]顾青，高能，包珍珍，等.基于GpGpU和CUDa的高速aeS算法的实现和优化[J].中国科学院研究生院学报，2011（6）：776?785.
[8]李玉峰，吴蔚，王恺，等.基于GpGpU的JpeG2000图像压缩方法[J].电子器件，2013（2）：163?168.
[9]FaRBeRRob.高性能CUDa应用设计与开发：方法与最佳实践[m].玉龙，唐堃，译.北京：机械工业出版社，2013.
[10]nViDiaCorparation.nViDia’snextgenerationCUDacomputearchitecture：fermi[R].SanJose：nViDiaCorparation，2009.
[11]nViDiaCorparation.nViDia’snextgenerationCUDacomputearchitecture：KeplerGK110[R].SanJose：nViDiaCorparation，2012.
数学建模任务分配篇2
面向网络众包的商务智能框架
本文构建的面向网络众包市场的商务智能框架主要包括三部分:交易前的供需双方自动化匹配模块、达成交易后的知识成果在线综合评价模块以及和各个模块紧密联系的智能化信用评估模块。供需匹配模块是双方顺利达成合作意向的前提和基础,而成果评价模块则是双方顺利完成交易的重要保障,信用评估模块则依赖于成果评价模块的评价结果,同时又为今后的供需匹配提供数据支持。
供需自动化匹配
供需智能匹配的主要工作流程包括信息预处理、特征指标提取、匹配度计算等三部分,最终形成对某一需求任务的人才匹配策略和对某一知识人才的任务匹配策略等两种匹配策略,为供需双方在众包平台上能进行高效的信息检索提供强大的智能服务支持(图略)。1.信息预处理。信息预处理包括非法信息智能识别和个人隐私资料屏蔽。网络的开放性使得众包这种商业模式容易被非法活动所利用,比如悬赏攻击某网站、传播恐怖信息等,这些行为具有明显的违背社会伦理道德甚至触犯法律的性质,使得众包网站容易成为违法犯罪的帮凶,目前在许多众包网站上都可以看到悬赏毕业论文等相关任务,因此如何监控和识别有害信息,是众包发展过程中不可忽视的问题,因此在数据预处理阶段,可以采用文本挖掘和其他数据挖掘技术相结合的方式,分析提取非法信息的典型特征,对企业的任务需求和创新人才个体的个人资料信息等进行合法性检测,同时设计科学合理的信息安全保护机制,在保证不影响交易双方必要的相互了解的前提下,对涉及到的企业和创新个体的隐私信息进行合理屏蔽。2.特征指标提取。本阶段将供需双方提供的非结构化和半结构化的信息进一步处理,构建统一的指标体系,将各项信息规范成标准的指标数据。由于众包交易涉及的行业领域各不相同,为了将各种信息进行规范统一,可以采用相对较成熟的语义本体技术,结合各种常识数据库、本体数据库、iSo标准等通用的规范化文档来构建指标体系,并据此采用数据挖掘技术、自然语言处理技术等对各种类型的信息进行指标提取。3.供需匹配度计算。为方便供需双方都能在众包平台上根据自身需要进行智能查询,可分别建立面向任务需求的人才推荐流程和面向人才的任务推荐流程。在以指标形式存储任务需求和人才资料的基础上,针对不同的交易模式制定不同的匹配策略。在人才招标模式中,企业根据任务需求首先确定符合基本能力资格要求的人才,形成基本匹配,然后提取出主要特征指标对每个知识型人才进行综合能力评估,最终确定最佳的匹配人才列表。而在大众悬赏模式中,面对众多的悬赏任务,可以根据人才自身的基本情况通过基本匹配明确适合其参与的任务范围,然后针对每个人才的特长和任务的具体情况,采用一定的指标匹配度计算方法计算指标得分,并以此对各个任务按优先级进行排序,形成推荐任务列表。
数学建模任务分配篇3
关键词：物流服务供应链任务分配供应商满意度
物流服务供应链是随着物流服务产业的不断发展而形成的，它是指以物流服务集成商为核心，以功能型物流服务供应商物流服务集成商客户为基本结构，通过提供柔性化的物流服务保证产品供应链的物流运作的一种新型供应链。
一、基于物流服务供应链的任务分配模型
（一）模型假设
1、供应商权重
对于在物流服务供应链中处于核心地位的集成商而言，各个物流服务供应商的重要程度和战略地位会有所不同，物流服务集成商可以根据各供应商的重要程度不同赋予不同的权重。不妨设有m个物流服务供应商，且第i个物流服务供应商的重要程度为wi，则0≤wi≤1，且■。
2、供应商满意度
在供应商申请的最大服务能力范围内，供应商所分配到的任务量越多，服务商的满意度越大；接到的任务量越小，满意度就越小。Xi――供应商i分配到的任务量，Bi――供应商i申请的最大任务量，因此，可以用Hi＝Xi/Bi来衡量第i个供应商的满意度。
3、供应商的总体满意度
在分配过程中，集成商希望重点关切处于重要战略地位、重要程度更高的物流服务供应商的满意度的高低，因此，供应商的总体满意度应该等于供应商权重与供应商满意度的加权和：
■
（二）模型假设及构建
首先规定以下符号含义：m――参与任务分配的物流服务供应商的数量；Fi――供应商i的服务质量；Ci――供应商i的单位物流服务成本；Xi――供应商i分配到的任务量；Bi――供应商i申请的最大任务量；D――集成物流服务商面临的物流服务需求（如运输需求）。
建立相应的多目标线性规划模型如下：
■
■
目标函数：（1）最大化服务质量；（2）最小化运输成本；（3）最大化供应商满意度。
约束条件：（4）表示每个功能型物流服务提供商在一定时间段内所能提供服务能力的限制；公式（5）是满足任务总需求的约束，所有的供应商提供的服务总量应该等于需求总量的约束；公式（6）表示各供应商提供量的非负约束。
（三）模型的模糊优化求解
本文采用隶属函数法将多目标问题化为单目标问题，采用最大满意度的求解方法进行求解。具体步骤如下：
步骤1：分别确定各个目标的隶属度函数。
记目标函数为f（X），分别计算多个目标函数中的单一目标在原约束条件下的单目标规划问题的最大值fmax（X）和最小值fmin（X）（本文算例中运用matLaB求解得到），并求出相应目标的隶属度函数。
（1）目标函数取最小的隶属度函数：
（2）目标函数取最大的隶属度函数：■
步骤2：根据目标函数的隶属度函数，采用相应的决策算子，构建关于综合满意度的单目标线性规划模型。本文考虑决策者对各目标函数的偏好不同，采用加权和形式的模糊决策算子，假设有L个目标函数，并用αl表示对应目标的重要性系数（决策者可根据偏好、战略进行赋权），从而将多目标规划问题转换成单目标规划问题如下：
■
步骤3：用matLaB计算新的单目标线性规划模型，得到多目标规划模型的最优解（或满意解）。
二、算例分析
某物流服务集成商承接了一项物流运输任务，每天的运输服务任务D为280，现准备将运输任务分配给物流服务供应链内的四个物流服务供应商甲、乙、丙、丁。集成商希望分配结果能综合兼顾服务质量、服务成本和供应商满意度3个指标，且对3个目标的偏好有优先级，赋予目标的权重分别为0.35、0.35和0.30。另外赋予4个供应商的权重分别为：0.25、0.15、0.25和0.35.各供应商的相关数据如表1所示。
表1中：（1）供应商权重是决策者根据供应商的战略地位等因素的不同而赋予的权重。（2）服务质量的数值主要依据历史的服务质量满意率，采用百分数的形式给出。（3）单位运输费用表示单位货物在两地运输的平均费用。（4）运输能力数值表示每天能承担的最大运输量。
参照上文多目标规划问题的模糊优化求解方法，上述模型的具体求解步骤如下：
（一）建立多目标规划模型
F（X）代表服务总质量函数；G（X）代表运输总费用函数；H（X）代表总供应商满意度函数；分别以运输总费用最小、服务总质量最大和总供应商满意度最大为目标，建立多目标规划模型如下：
■
（二）多目标规划模型求解
首先求得各目标函数的隶属度函数如下：
■
然后，考虑到3个目标的权重分别为0.35、0.35、0.3，采用加权和形式的凸模糊决策算子，将多目标规划模型转化为相应的等价单目标线性规划模型：
■
最后，利用matLaB进行求解，得到X1＝110，X2＝50，X3＝0，X4＝120；λ1＝0.7656，λ2＝0.5955，λ3＝0.8839；Z1＝0.7416；F1＝260.2，G1＝15510，H1＝0.675。各目标的优化结果参见表2第一行。
（三）模型相关分析
1、在物流服务供应链任务分配过程中，如果不考虑供应商满意度，只考虑服务质量和服务成本，分配方案会导致供应商的整体满意度低下，可能会影响供应链的稳定和效率
我们去掉供应商满意度目标函数，并依旧假设决策者对服务质量和服务成本的偏好程度相同，用maxZ2＝0.50λ1＋0.50λ2替换原目标规划中的maxZ1＝0.35λ1＋0.35λ2＋0.3λ3，约束条件不变，并利用matLaB进行求解，得到最优值为：X1＝110，X2＝100，X3＝0，X4＝70；λ1=1，λ2＝0.4831，λ3＝0.2573，Z2＝0.7416，结果如表2第二行所示。
2、对某一个目标的偏好太过于明显，会导致其他目标最优化满足程度过低
我们将目标的权重αl＝0.35、α2＝0.35和α3＝0.30变为αl＝0.1、α2＝0.8和α3＝0.1。则多目标规划模型的目标函数为：maxZ3＝0.1λ1＋0.8λ2＋0.1λ3，保持约束条件不变，利用matLaB进行求解，得到最优值为：X1＝110，X2＝100，X3＝0，X4＝70；λ1＝0.1250，λ2＝1，λ3＝0.5644，Z3＝0.8689。结果见表2第三行。
3、在实际分配过程中，如果所得分配方案中的某个目标的最优化满足程度过低（λ值极小），可以通过限制λ的最小值来对分配方案进行优化
在2中，由于决策者强烈关注“服务总成本最小化”这个目标而导致得到的分配方案对“服务质量最大化”目标的满足程度很小（λ3＝0.1250）。我们假设令λ1≥0.3000，在原模型的基础上增加一个约束条件λ1≥0.3000，并利用matLaB进行求解，得到优化后的最优值为：X1＝110，X2＝0，X3＝74，X4＝96；λ1＝0.3000，λ2＝0.8742，λ3＝0.8692，Z4＝0.8162。结果见表2第四行。
三、结论
（1）在物流服务供应链中，物流服务集成商应充分重视物流服务供应商的满意度对物流服务供应链的稳定和效率的重要性，并在任务分配过程中予以体现。（2）决策者不能太过于偏好质量、价格和供应商满意度三个目标中的某一个目标，否则最终会导致供应商为了获取更多任务量盲目追逐单一目标而牺牲其他目标。（3）最后，在实际分配过程中，如果某个目标的最优化满足程度过低，可以采用限制λ的最小值来对所得分配方案进行优化。
参考文献：
①刘伟华.物流服务供应链能力合作的协调研究[D]．上海：《上海交通大学》，2007
②刘伟华，季建华，周乐．两级物流服务供应链任务分配模型．上海交通大学学报，2008，42（9）：1525―1525
数学建模任务分配篇4
为弥补自动化集装箱码头自动装载车（automatedLiftingVehicle，aLV）先到先服务（FirstComeFirstService，FCFS）分配方式的缺陷，提出基于触发事件的aLV作业任务实时分配方式.设置一组触发事件触发aLV实时分配，以aLV到达任务作业点估计时间最短为目标，建立aLV实时分配模型，选用a*算法对该模型进行求解.通过与贪婪算法的对比，验证a*算法的优越性.对用a*算法求解大型集装箱码头aLV实时分配问题的求解速度和稳定性进行实验测试，结果验证了选用a*算法的可行性.
关键词：
自动化集装箱码头；aLV实时分配；a*算法；触发事件
中图分类号：U691.31；U656.135
0引言
随着集装箱码头整体效率的不断提高，码头水平运输车辆的任务分配问题也成为一个非常重要的问题.解决好车辆任务分配问题，可以使车辆更好地服务于其他设备，提高其他设备的作业效率.然而，随着码头向大型化和自动化方向发展，现有的先到先服务（FirstComeFirstService，FCFS）车辆任务分配方式已经很难满足码头的作业需求，急需提出一种更加高效合理的分配方式来解决水平运输车辆的任务分配问题.[1]
国内外学者对集装箱码头的水平运输车辆任务分配问题已经进行了许多研究.nGUYen等[2]为自动化集装箱码头的自动装载车（automatedLiftingVehicle，aLV）分配问题建立混合整数规划模型.anGeLoUDiS等[3]根据不准确的码头作业信息，提出在成本/收益下的车辆分配模型和求解的算法.Lee等[4]考虑起重机的作业时间，建立根据多台岸桥的作业任务顺序分配车辆的混合整数规划模型，应用启发式算法进行求解.RaSHiDi等[5]将自动导引车（automatedGuidedVehicle，aGV）的分配问题转化为一个最小成本流问题模型，应用改进的网络单纯形法求解.Cai等[6]研究跨运车的作业时序安排问题，利用装卸和搬运的时间窗解决这个问题，并用分支定界法求解.轩华[7]利用FCFS规则进行水平运输车辆和任务的分配，建立数学模型并用启发式算法进行求解.SonG等[8]针对aGV分配问题提出混合元启发式方法，并与贪婪算法进行仿真实验对比.iCHoUa等[9]针对车辆分配问题提出基于先进先出的按时间的行驶速度模型，通过与固定行驶时间的实验结果的对比，发现按时间的车辆分配方式明显优于固定行驶时间的车辆分配方式.GUJJULa等[10]总结几个aGV分配问题常用的目标，包括岸桥等待时间最短、aGV行驶时间最短、完成作业的时间最短等，也总结了几种常用的aGV分配方式，包括最短的行驶时间、使用车辆的数量最少、先到先服务方式等.LiU等[11]总结了3种aGV分配规则，即最大行驶距离、最小行驶距离和随机规则，并分别对其进行仿真.
然而，上述研究都很难解决大型自动化码头中难以估计车辆的实际行驶时间的问题.在交通布局呈现复杂网络结构的码头，由于运输车辆数量多，交通堵塞经常发生，对车辆的实际行驶时间估计的不准确会严重影响车辆任务分配方案的选择.
1问题描述
1.1目前aLV任务分配方式
aLV可以在没有其他设备辅助的情况下，自己提起和放下集装箱.aLV任务分配问题就是在码头作业时为需要作业的任务分配可用的aLV.
目前，码头aLV任务分配主要采用FCFS分配方式，每一个新产生的集装箱运输任务都会被分配一辆空闲的aLV，这辆aLV是在分配时最适合去执行这个运输任务的车.应用FCFS分配方式，在为任务分配了aLV后，即使有更合适的aLV可以选择，也不能作出改变.因此，这样的分配方式虽然操作简单，但不能实时保证水平运输车辆的任务分配方案处于最优状态.在aLV运输时间不确定的大型自动化码头，FCFS分配方式会导致aLV的作业效率大大降低，影响其他设备的作业，因此需要设计一个更加高效的水平运输车辆分配方式.
1.2aLV实时分配方式
aLV实时分配是在作业过程中的某些条件下进行一次aLV的任务分配，当作业的条件发生变化时对aLV的作业任务进行重新分配.把这些条件作为一组触发事件，每次分配看作一次实时分配，建立一个实时分配模型.一组触发事件和一个实时分配模型组成一个完整的aLV实时分配方式.
由于大型集装箱码头aLV的作业过程中会经常出现过去的最佳aLV分配方案后来不再是最佳分配方案的情况，所以要考虑在某些情况
（岸桥（QuayCrane，QC）或者场桥（YardCrane，YC）准备吊起下一个集装箱；aLV完成上一个运输任务；已经分配任务的aLV遇到交通拥堵等）下对aLV的任务重新进行分配，尽量使aLV的任务分配方案保持最优.
对上述各种作业条件进行归纳总结，设置一组触发事件.每次触发事件发生时，都需要进行一次实时分配.实时分配是对当时所有的任务和空闲aLV进行分配，分配的目标是使总的aLV到达作业地点的估计时间最短.
2模型建立
2.1aLV实时分配模型
由于集装箱码头其他作业的aLV实时分配方式与装卸船作业基本相同，所以本文构建模型时，只以装船和卸船作业为例.根据船的作业量给船配备适当数量的QC和aLV，分配给同一艘船的所有QC共享分配给这艘船的aLV，分配给这艘船的aLV也只服务于为这艘船作业的QC.
2.1.1模型假设
一辆aLV最多只能运输一个集装箱；
分配给QC的aLV数量足够，不会出现等待运输的集装箱数量大于闲置aLV数量的情况；只预先分配一辆aLV给正在作业的QC.
2.1.2参数定义
C为起重机即将进行作业的集装箱集合，如装船时YC即将进行作业的集装箱和卸船时QC即将进行作业的集装箱的集合；
c为集合C的元素总数量；Q为正在对同一艘船进行作业的QC的集合.在分配aLV时会考虑将部分空闲的aLV分配给正在作业的QC，这些空闲aLV任务的优先级低于C中任务的优先级.q为集合Q的元素总数量；d为在实时分配时需要考虑的aLV任务数量，包括集装箱运输任务数量和正在作业的QC的数量，d=c+q.将任务d分成两部分是因为两部分的分配优先级不同.a为没有开始作业的aLV的集合；a为集合a的元素总数量；i为任务的标识，i=1，2，…，c，c+1，…，c+q，其中，i=1，2，…，c表示需要运输的集装箱，i=c+1，c+2，…，c+q表示正在对同一艘船进行作业的QC；j为aLV的标识，j=1，2，…，a；vj为aLVj某一时刻的瞬时速度，aLVj停在停车场时vj=V，V为aLV正常行驶时的平均速度；dij为aLVj到任务i的作业地点的距离；
[wtHX]t[wtBX]为从aLVj到达任务作业地点的估计时间矩阵，由aLVj到任务i的作业地点的距离和aLVj的瞬时速度得出；tij为矩阵
[wtHX]t[wtBX]的元素；m为一个很大的数，作为预计行驶时间的上限；D为一个较小的距离常数，dij
2.1.3模型构建
式（1）表示xij是01变量，当aLVj分配给任务i时xij=1，否则xij=0.式（2）表示模型的目标为aLV到达作业地点的估计时间最短.由于αβ，会给到达任务地点时间短的aLV分配集装箱运输任务，达到先考虑将空闲aLV分配给急需aLV的集装箱运输任务，再考虑将空闲aLV分配给正在作业的QC的目的.式（3）表示每个集装箱运输任务和每一台正在作业的QC最多只能有一辆aLV为其服务；式（4）表示每辆aLV最多只能分配给一个集装箱运输任务或一台正在作业的QC；式（5）表示尽可能多地为需要考虑的作业任务分配aLV；式（6）表示根据距离和速度得出aLV到达作业地点的估计时间.优先考虑分配与任务地点的距离很近的aLV.
2.2aLV实时分配触发事件
在aLV作业时，设置一个时间段Δt，在每个时间段末检测aLV的行驶速度.记录在第m次分配时aLV的速度vm，设置速度变化量为正值Δv.第m次分配后，当空闲aLV的速度在某个检测时间段末超出vm±Δv的范围（说明aLV的行驶速度相对于第m次分配时有了巨大变化，可能是因为aLV遇到交通拥堵，也可能是因为aLV的交通拥堵得到缓解，aLV的行驶速度恢复正常）时，需要考虑对aLV进行第m+1次分配.根据大型集装箱码头的特点，列举出一组触发事件：（1）新的集装箱运输任务的产生，即起重机准备对某个集装箱进行作业，需要进行重新分配；（2）aLV完成上一个任务，空闲aLV数量增加，需要进行重新分配；（3）第m次分配后，当已经分配任务的aLV的速度在某个检测时间段末的速度超出vm±Δv且dij>D时，需要对aLV进行第m+1次分配.
3算法设计
大型高效的集装箱码头aLV实时分配触发事件发生的频率很高，每次触发事件的发生都会触发一次aLV实时分配，进行aLV实时分配的频率也会很高，因此对处理aLV实时分配的时间要求也很高.每次触发aLV实时分配后，aLV的任务分配必须在短时间内完成并向aLV发送作业指令，这样才能使aLV实时分配方式的优势得到发挥.因此，需要一种对aLV进行任务分配的算法，以快速地对规模较大的aLV实时分配模型进行求解.
3.1算法简介
3.1.1a*搜索算法
a*搜索算法是静态路网中求解最短路最有效的方法.a*搜索算法通过最佳优先搜索来寻找一条从起始节点到一个目标节点或者多个可能的目标节点的代价最短的路径.作为启发式搜索的一种，a*搜索算法同样需要选取估价函数，以省略大量的无意义搜索，提高搜索效率.n是搜索图中的一个节点，a*搜索算法通过一个启发式代价函数
f（n）对节点n进行评价，由f（n）决定在搜索图中的搜索顺序.f（n）是从初始点经由节点n到目标点的估价函数.
式中：g（n）是在状态空间中从起始节点到节点n的实际代价；h（n）是从节点n到目标节点最佳路径的估计代价.h（n）是f（n）函数的一部分，是一个可采纳的启发式函数.对h（n）的估计不能超过节点n与目标节点之间的距离.如果应用在路径问题中，h（n）可以表示节点n与目标节点的距离，是两个节点之间可能的最短实际距离.h（n）是f（n）函数中最重要的一部分，h（n）设计的好坏，决定该算法是否能被称为a*搜索算法，也会影响搜索的效率[13].
3.1.2a*搜索算法搜索过程
在a*算法执行的过程中用到open表（用于存放搜索到的点但非最小代价节点的集合）和CLoSe表（用于存放已经搜索过的最小代价节点的集合），假设起点和终点分别用
S和V表示，Vi表示节点S与V间的任意一点，fi表示该节点的估价值.a*搜索算法搜索基本步骤如下.
在搜索过程中可以根据需要记录取得最短路径的行走轨迹.行走轨迹就是从起始点到达目标节点的路径最短的行走方案，也是大多数问题的解.
3.2算法设计
应用a*搜索算法对大型集装箱码头aLV实时分配模型进行求解时，可以很容易将码头获取的aLV到达作业地点的距离dij按照第2节的模型规则转换成aLV到达作业地点的估计时间tij，以时间tij作为任务分配的代价值进行分配.用a*算法求解aLV实时分配问题，需要先将aLV分配问题转换成静态路网中的求解最短路问题，举例说明如下.
将aLV的任务分配问题转换成一个路网图（见图1），圆圈表示节点，其中节点S是起始点.根据aLV的数量或者任务的数量进行分层，本文是根据aLV的数量进行分层的.每一层为一辆aLV分配任务，下一层是在上一层的基础上进行的，根据第2节的模型，按照一辆
aLV最多只能被分配一个任务，一个任务最多只能分配一辆aLV的原则进行分配.例如第一层为aLV1分配任务，此时aLV1可以选择任务1，2，3三个任务，所以节点S下面有1，2，3三个节点.节点1，2，3分别表示将任务1，2，3分配给aLV1.第二层分配是在第一层分配的基础上进行的.第一层中节点1表示任务1分配给aLV1后，第二层aLV2只能分配任务2或3.因此，节点1下面有两个节点4，5，节点4表示将任务1分配给aLV1后，任务2分配给aLV2，节点5表示将任务1分配给aLV1后，将任务3分配给aLV2.同样，节点2和3下面也分别有两个节点.到第三层为aLV3分配任务时，aLV3只能选择上面两层没有选择的任务，因此节点4下面只有一个节点10，表示任务1分配给aLV1，任务2分配给aLV2后，任务3分配给aLV3.节点5下面只有一个节点11，表示任务1分配给aLV1，任务3分配给aLV2后，任务2分配给aLV3.其他节点也按照同样的规则进行分配，直到所有的aLV分配任务完成，得到图1所示的树状图.
根据图1所示的树状图进行搜索，对于搜索到的节点，需要求出它的h（n），g（n）和f（n）值.
g（n）是从起始节点S到达节点n所走的总路程，也就是搜索到达节点n时已经进行任务分配的总的
aLV到达作业地点的估计时间.h（n）是未分配的aLV到达每个作业地点的估计时间里最小的m个的总
如图2所示，在搜索到节点11时，f（n）小于open表中所有点的f（n）值，结束搜索.根据推理可得，S1511路径为最优路径，总的aLV到达作业地点的估计时间为110s，节点11代表的意义就是aLV的作业任务分配方案，也是问题的解，即任务1分给aLV1，任务3分给aLV2，任务2分给aLV3.
在上述案例中，若不考虑从节点n到目标节点最佳路径的估计代价h（n），只考虑目前从起始节点到节点n的实际代价g（n），也可以看作h（n）=0，此时f（n）=g（n），即贪婪算法.其搜索过程见图3.从图中可以看出，到达目标节点的最优路径为S1511，最短路程与用a*搜索算法得到的相同，都为110s，但贪婪算法的搜索点数多于a*算法.从这个例子可以看出，a*算法中h（n）的作用是巨大的.
4算例分析
4.1a*搜索算法与贪婪算法对比实验设计
为验证a*搜索算法适用于大型集装箱码头aLV实时分配问题，设计几组实验.实验中使用几组实验数据（aLV任务分配的到达作业地点的估计时间），用贪婪算法和a*搜索算法对aLV实时分配问题进行求解，对比两种算法的求解结果，分析a*算法解决大型集装箱码头aLV实时分配问题的可行性，同时也验证a*算法的优越性.
对a辆aLV和q个任务进行任务实时分配，aLV到达作业地点的估计时间为a×q的矩阵.本文设计8组实验，分别是a辆aLV和q个任务（a=q=6，7，…，13）.实验数据是几组实验的aLV到达作业地点的估计时间矩阵，分别为a×q的时间矩阵，代表实验问题的规模，相应的实验组为a×q组，每组进行5次实验，分别对每组实验的5次实验结果取平均值.
用相同的软件分别编写利用a*搜索算法和贪婪算法求解aLV实时分配问题的程序，并在同一台笔记本电脑上运行.两种算法使用的实验数据相同，求解出来的最短路径的最优值也相同.在此问题中，这些分配方案是最优的，在第3节中已经证明.表3所示是两种算法每组实验在求解过程中的运行时间和总搜索点数的对比.通过对比可以看出，a*搜索算法的求解时间和总搜索点数明显少于贪婪算法.
如图4和5所示是求解运行时间和总搜索点数
的平均值变化趋势.从图4和5中可以看出，贪婪算法的运行时间和总搜索点数随求解问题规模的变大迅速增加，而a*搜索算法变化得比较慢.这说明，在遇到大规模的求解问题时，a*搜索算法运行时间和总搜索点数不会突然变大，求解速度所受的影响不大.
4.2a*搜索算法性能测试
为进一步验证a*搜索算法的求解速度，在上述实验的基础上用a*搜索算法对14×14至17×17规模的aLV实时分配问题进行求解，实验运行时间和总的搜索点数的平均值见表4.
大型集装箱码头为一艘船最多配备6台QC，每台QC分配2辆aLV，即为同一艘船服务的aLV的最大数量为12台，因此aLV实时分配问题的最大规模为12×12，去掉部分正在运输集装箱的aLV，大多数情况实时分配的规模在10×10以内.从表3可以看出，10×10规模的问题用a*搜索算法求解的时间在0.3s左右.从表3和4可以看出，如果问题的规模加大，a*搜索算法的计算时间不会出现急剧的增长.因此，在计算时间上，a*搜索算法完全可以满足解决大型集装箱码头aLV实时任务分配问题的需求.
5结束语
本文在大型自动化集装箱码头的背景下，根据码头的新特点和FCFS分配的缺陷，设计了基于触发事件的aLV作业任务实时分配方式.设置了一组触发事件触发aLV实时分配，并以总的aLV到达任务作业地点估计时间最短为目标，建立了一个aLV实时分配模型.选用a*搜索算法对分配模型进行求解，通过与贪婪算法的对比验证a*搜索算法的优越性.对a*搜索算法求解大型集装箱码头的aLV实时分配问题的求解速度和稳定性进行实验测试，验证了选用a*搜索算法是可行的.
参考文献：
[1]
赵宁.集装箱码头发箱任务的集卡指派模型[J].上海海事大学学报，2011，32（1）：910.
[2]nGUYenVD，KimKH.adispatchingmethodforautomatedliftingvehiclesinautomatedportcontainerterminals[J].Computers&industrialengineering，2009，56（3）：10021020.
[3]anGeLoUDiSp，BeLLmGH.anuncertaintyawareaGVassignmentalgorithmforautomatedcontainerterminals[J].transportationResearchparte：LogisticsandtransportationReview，2010，46（3）：354366.
[4]LeeLH，CHewep，tanKC，etal.Vehicledispatchingalgorithmsforcontainertransshipmenthubs[J].oRSpectrum，2010，32（3）：663685.
[5]RaSHiDiH，tSanGepK.acompleteandanincompletealgorithmforautomatedguidedvehicleschedulingincontainerterminals[J].Computers&mathematicswithapplications，2011，61（3）：630641.
[6]CaiBinghuang，HUanGShoudong，LiUDikai，etal.optimisationmodelandexactalgorithmforautonomousstraddlecarrierschedulingatautomatedcontainerterminals[J].intelligentRobotsandSystems（iRoS），2011ieee/RSJinternationalConferenceon.ieee，2011（4）：36863693.
[7]轩华.基于FCFS策略的带时间窗车队调度问题研究[J].交通运输系统工程与信息，2013，13（6）：140157.
[8]SonGLQ，HUaGnSY.ahybridmetaheuristicmethodfordispatchingautomatedguidedvehiclesincontainerterminals[J].ComputationalintelligenceinScheduling（SCiS），2013（8）：5259.
[9]iCHoUaS，GenDReaUm，potVinJ.Vehicledispatchingwithtimedependenttraveltimes[J].europeanJournalofoperationalResearch，2003，144（2）：379396.
[10]GUJJULaR，GUntHeRHo.theimpactofstorageblockassignmentforimportcontainersonaGVdispatchinginhighlyautomatedseaportcontainerterminals[J].industrialengineeringandengineeringmanagement，2008（8）：17391743.
[11]LiUChini，LoannoUp.acomparisonofdifferentaGVdispatchingrulesinanautomatedcontainerterminal[J].intelligenttransportationSystems，2002（6）：880885.
数学建模任务分配篇5
关键词：云计算数字实验平台资源调度
中图分类号：tp3-05文献标识码：a文章编号：1672-3791（2013）02（b）-0031-01
1基于云计算的数字实验平台的构建意义
高校学生实验活动是学习科学知识的重要课程，有利于培养学生的逻辑思维能力和创新意识。由此，高校实验室建设是考核高校教学水平的关键指标。数字实验平台的发展建设需要遵循节约资源、合理配置、高效服务、标准开放等原则。因此，本文结合云计算技术，对数字实验平台的建设进行深入研究。为了能够有效提高高校传统数字实验平台的资源优化配置和服务能力，结合云计算技术，提出了基于云计算的数字实验平台的建设方案，为高校用户提供实验资源服务，属于一种创新应用模式，改善了传统数字实验平台的限制和束缚，促进数字实验平台的规范化、标准化、高效化发展。基于云计算的数字实验平台的建设目标是使实验平台能够满足用户开放性需求，以及资源合理配置，实现高校学科与学科之间资源信息的交换共享，提高实验平台的利用率。对于数字实验平台的发展建设具有良好的促进作用。随着云计算技术的飞速发展，为建设规范、开放、高校的数字实验平台提供了有力支持。因此，如何能够高效利用云计算技术，建设一套性能良好、利用率高、标准规范的基于云计算的数字实验平台仍然需要进一步探索研究。
2基于云计算的数字实验平台的总体设计
2.1平台设计目标
基于云计算的数字实验平台指的是通过云计算技术，将高校的海量实验资源进行有效整合，将实验资源“云”化，向用户提供需要的实验资源。基于云计算的数字实验平台将用户提出的实验资源需求当作一个具体实验任务，按照优先级别形成任务资源池之后实施实验任务分配，还能够根据不同的功能将任务资源池重新分为多个具体功能资源池，以实现实验资源的统一调度。
基于云计算的数字实验平台的实验资源可以根据高校实验室设备的配置情况随时实现资源扩容，高校学科内实验资源呈现交互共享，学科与学科之间的实验资源也可以实现交互共享，因此，这种数字实验平台具有良好的开放性和扩展性，真正提高实验资源的利用效率。
2.2平台体系架构
（1）资源层；资源层负责有效整合各个学科的海量实验资源，成为一个资源池。资源层由大量实验设备组成，可以根据高校实验教学需求的提升随时实现扩展。（2）平台层；平台层的是负责对实验资源进行统一调度，完成实验任务的合理分配。平台层包括实验资源管理器、任务管理器和资源调度管理器，是整个数字实验平台的核心部分，能够随时整合各个学科的实验资源，为用户提供动态服务。（3）应用服务层；应用服务层主要为使用实验资源的用户提供相关接口，方便用户通过互联网对实验资源发起访问，用户利用各种服务接口随时能够接入到应用服务层，对自己需要的实验资源进行访问。
3基于云计算的数字实验平台的详细设计
（1）资源管理器；基于云计算的数字实验平台的资源管理器主要对接入实验设备的资源进行管理，向用户提供实验资源服务，具有三个功能，分别是实验资源划分、实验资源分析和实验功能等级标注。资源管理器接入的实验设备分为两种：一是物理资源。二是虚拟资源。当物理实验设备接入到平台中，要按照虚拟化情况进行分组，根据实验设备的不同功能分别执行实验资源池的任务，每一个功能资源池都包含了多个物理实验资源节点，或者由多个虚拟机资源节点构成，当完成对资源节点的标注之后，成为能够满足用户实际需求的资源池。（2）任务管理器；基于云计算的数字实验平台的任务管理器负责对实验任务进行处理，具有实验任务分析、实验任务划分和实验任务优先级标注三个功能。当任务管理器接收到用户提出的请求之后，对实验任务进行分析，按照用户实际需求和执行时间，以及实验任务的优先级别插入到实验任务队列中，再按照实验任务的特点进行任务分割，形成多个具体实验任务，完成对具体实验任务的标注之后，形成一系列实验任务池。（3）资源调度器；基于云计算的数字实验平台的资源调度前主要负责完成对任务池的实验资源分配和调度管理，实现实验任务与实验资源的最佳匹配。而且，资源调度器还能够对实验任务和实验资源进行检测，对实验任务的执行情况、实验资源的统一调度进行有效管理。当实验任务执行完成之后将信息返回给用户，释放实验任务分配到的资源。
4基于云计算的数字实验平台的核心模块设计——资源调度
（1）资源池调度器；资源池调度器主要负责对实验任务完成过程中需要的实验功能资源池进行分配。功能资源池是具有某种特定功能的实验资源的整合，包括物理实验设备，以及虚拟机设备等等，可以并行处理多个实验任务，由此可见，在实验资源分配过程中如果想要花费最少、执行最快，对临近实验任务的资源池的选择非常重要。（2）负载均衡器；负载均衡器主要负责保证实验功能资源池的负载均衡，在功能资源池由虚拟机组成的情况下，需要通过对虚拟机进行配置达到预留资源的目的；在功能资源池由物理实验设备组成的情况下，需要通过资源分配策略来达到资源功能池的负载均衡，目的都是为了保证功能资源池能够向用户提供资源服务。（3）综合调度器；综合调度器的主要功能是监控实验资源的运行情况，当物理实验设备或虚拟实验设备出现故障问题时，通过及时调度调整选择适当的迁移主机，保证实验资源的动态迁移，使得数字实验平台的资源节点能够稳定运行。
5结论
综上所述，本文分析了目前高校传统数字实验平台存在的问题，提出了数字实验平台的发展方向，给出了基于云计算的数字实验平台的构建方案，详细阐述了基于云计算的数字实验平台的核心模块——三层资协同源调度机制。本文采用云计算技术，将高校各个学科的实验资源整合之后形成资源池，按照用户实际需求为其提供服务。因此，本文提出的基于云计算的数字实验平台具有开放性强、规模庞大、按需服务等特点。
参考文献
[1]赵俊兰.基于网络技术虚拟实验的研究[J].实验技术与管理，2011（3）.
数学建模任务分配篇6
关键词：环境艺术设计；工作室制教学模式；市场
环境艺术设计专业具有实践性特质，工作室制教学模式不仅有助于学生学习到企业实践性操作技能，而且还会为学校提供优秀的储备人才，这就会大大节约企业人才培养时间与成本。
一、工作室制模式概念及在环境艺术设计教学中应用必要性
（一）工作室制教学模式概念
1、工作室制教学模式定义
工作室制教学模式就是指在完成固定化的项目任务这一教学目标指引下，立足于工作室这一空间基础，在教师主导下同步进行的理论知识的学习与实践操作技能人才培养的模式，这一模式形成教师主导与学生主体新型师生关系，以及理论学习与实践操作完美融合的体系架构，具有开放性、目标性的特点。
2、工作室制教学模式特点
（1）开放性
所谓的开放性是就工作室这一环境的设置而言的，工作室是企业与学校对接场所，工作室在师资配备、技术设备的配置、项目任务的引进等方面都要与市场相衔接，因此具有开放性特点。
（2）目标性
所谓的目标性，就是指在工作室模式下，专业化教学与学习都会具有了明确的教学项目任务，具体来说，就是由工作室承担具体的项目任务，在工作室内部划分为二级体系构架，即项目任务的指导与分配的一级体系，学习任务实践与完成、项目的分解、学校与企业的对接合作的二级体系，一级体系与二级体系之间具有指导与承接关系。
（二）工作室制模式在环境艺术设计教学中应用必要性
1、传统化的教学模式羁绊学生素质提升
环境艺术设计专业对学生实践能力具有较高要求，但是从目前而言，传统化的教学模式具有理论化与僵化的劣势，仅仅是强调在课堂上的理论灌输，虽然也有实践操作的课程，但是与课堂理论学习课程倒挂，这一模式就会羁绊学生实践操作能力的提高，工作室的教学模式据此呼之欲出。
2、工作室制模式
工作室的教学模式与传统化的教学模式相反，工作室的教学模式突破课堂教学窠臼，实现项目课题研究、理论知识学习、实践操作能力培养等方面学习量等方面比例的合理配置，较好建构环境艺术设计专业学生的综合素质，这就为其成为具有较高实践技能的人才夯实基础。
二、工作室制教学模式的探索
（一）引进企业设计师参与工作室教学活动
在实施工作室制教学模式探索过程中，导师的主导作用是不可忽视的，基于工作室所处于“学校—企业”衔接性地位，导师不但要承接来自于企业的项目任务，而且还要借力于对所引进项目任务相关的企业设计师，企业设计师协助是必不可少的，企业设计师在被引进工作室之后，在制定项目任务的分配、器械设备的操作、学生实训方案的制定等方面发挥作用。
（二）全面渗透实用性的教学方法
环境艺术设计专业具有较强的实用性，涉及到园林景观设计、雕塑设计、室内装饰装修等领域，这些领域都要求从业者具有较高的实用操作水平，导师的教学因此要满足于这一基本要求，即导师并不仅仅局限在项目任务分解层面，而是在具体化项目实施过程中参与到学生的自主探究、实践操作过程中，采取诸如现场演示、实训化教学、案例讲解等实用性教学方法来促进工作室制教学模式的运作。
（三）构建科学化的评价体系、
工作室教学模式对于激发学生自主探究活力具有较大的优势，科学化的评价则会使得这一优势最大化，就本文认为，在当前环境艺术设计专业的工作室教学模式探索的过程中，业已构建起科学化的评价体系。
三、工作室制教学模式的建构
（一）提升工作室教师的数字化素养
环境艺术设计专业工作室在设置的时候，强调的是企业与学校的有效对接，在数字化的时代，企业的技术设备也具有了数字化的特征，诸如工程制图、效果图制作、模型制作、3D打印等都需要采用数字化技术的支撑，这必然反馈到环境艺术设计专业工作室技术设备的设置上来，工作室的设备采购、软件硬件的配置、实训基地基础设施设计等都要以此为目标，数字化技术设备就会促进工作室教学模式的高效化运作，为使这些数字化技术设备价值得到最大化，就要着力于提升工作室教师的数字化素养，使之能够掌握数字化技术设备操作要领，从而开展有效化的教学。
（二）专业化数字工作室的建立
环境艺术设计专业工作室教学模式运作过程中，“项目任务的引进—项目任务的完成—项目任务的评估”是一个完整体系，“项目任务”则成为这一体系中的核心，“项目任务”需要在专业化数字工作室中才能够完成，专业化数字工作室的建立将会起到牵一发而动全身作用。
四、结语：
从上面的分析中就可以得出结论，引进企业设计师参与工作室活动、全面渗透实用性的教学方法、构建科学化的评价体系成为目前工作室制教学模式探索的成果，在网络化时代，数字技术被引进工作室制教学实践中来，就使得工作室制教学模式的建构趋向于数字化技术支撑的发展方向。
参考文献：
数学建模任务分配篇7
关键词：云计算；资源调度；数据中心
中图分类号：tp393文献标识码：a文章编号：1009-3044（2016）26-0042-02
CloudComputingResourceDynamicallocationStrategy
JianGwei-cheng，LiLan-ying
（theengineering&technicalCollegeofChengduUniversityoftechnology，Leshan614000，China）
abstract：therearealotofcomputingresourcesinthecloudcomputing.itisofgreatsignificancetomaketheallocationoftheresources.inthispaper，amethodofthedynamicallocationofresourcesisproposed，whichisbasedonthetwothresholdsofthetaskqueueandtheloadofthenode.theresourcescanbeadaptedaccordingtothetask.itcanavoidexcessiveresponsetimeandidleresources，whichimprovetheefficientuseofresourcesandreduceenergyconsumption.
Keywords：cloudcomputing；resourcescheduling；datacenter
1引言
云计算是一种新兴的计算模式，它可以为用户提供弹性的、规模可以伸缩的计算资源[1-3]。在云计算中，存在大量的计算资源、存储资源，使用虚拟化技术为用户提供按需服务。云计算核心服务主要有基础设施即服务（infrastuctureasaservice，iaaS），平台即服务（platformasaservice，paaS）和软件即服务（softwareasaservice，SaaS）。iaaS进行硬件基础设施部署，提供计算、存储等相应服务。paaS提供应用程序部署和管理服务，使用者上传程序代码和数据就能获得服务，不必关心底层具体细节问题。SaaS提供基于互联网的应用程序服务，用户通过命令行、weB服务或weB门户的形式获取服务[4]。然而，weB服务在高并发请求时，将出现响应时间增加、服务器宕机等问题。
云计算中存在大量的服务节点，如何管理这些服务节点，保持服务资源的高效利用具有重要意义，在用户服务请求急剧增加时，避免系统压力过大，用户的服务请求长时间得不到响应，而在任务量减少时，较多的服务节点处于空闲状态，造成资源的浪费、空耗电源。为了避免这种现象的发生，本文提出了基于用户任务请求的服务资源动态配置策略。
2相关研究
文献[5]运用虚拟技术在openStack上构建云平台，实现对多媒体缓存服务器进行伸缩管理。文献[6]采用openStack和Cloudify构建自伸缩云应用平台，为用户提供CpU、存储空间和操作系统等资源服务。该系统根据需要虚拟和部署相应服务来分担请求任务。在服务请求下降时，减少应用实例，回收多余的资源，根据虚拟机资源模板的标度值建立模糊矩阵，进行相应的处理和调度。文献[7]使用nagios网络监视工具对服务器的性能指标进行采集，包括CpU利用率、内存利用率、磁盘利用率、进程数、交换空间利用率等，实现对云计算集群服务器的监控和负载均衡的调度。文献[8]指出，动态获取openStack资源池的信息和资源池中运行节点的数量，收集云计算节点的CpU使用率、内存利用率和网络带宽的使用情况，综合所有节点的CpU负载情况来决定系统的负载是否过重。在数据中心负载过大时，开启和增加服务节点来减轻系统的压力，而在负载过低时，关闭部分节点，减少运行节点的数量，从而提高剩余节点的资源利用率，降低数据中心整体能耗。
国外研究统计表明Youtube网站和naSa网站的用户访问具有周期性，访问的高峰是在傍晚时分，而在深夜到凌晨降到低谷。云计算中任务的请求具有一定周期性和规律性，这就为服务资源的动态配置提供了依据。
3算法模型
本文算法模型如图1所示，包括分析模块、监控模块和分配模块。监控模块负责监控用户的服务请求，并把服务请求依次放入任务缓冲队列中，任务分配模块从缓冲队列中取出任务，分配给各服务节点进行处理。分析模块负责分析系统中各服务节点的运行情况、响应时间的快慢、负载压力等，并把分析结果报告给监控模块进行决策处理，决定是否增加还是减少服务节点，以保持系统资源合理配置，效率较高。
文献[7]指出，服务节点负载轻重状况的判断主要有两种方式：1）根据服务节点对任务响应延时来判断节点负载是否过重。2）根据服务节点的硬件综合指标来判断节点的负载情况。对于相同的任务，服务节点负载较轻时任务的响应延时相差不大，而在负载较重时，响应延时将有所增加。服务节点的CpU使用率、内存利用率、交换空间利用率等较高时，节点处于繁忙状态，负载压力较大，反之，则较为空闲。但如果简单地凭借响应延时或硬件指标进行评价，可能存在片面现象。若将二者综合考虑，将更加全面，也更加准确。
服务节点硬件利用率上升到一定比例时，服务性能将会受到较大影响，性能下降、宕机等。监控模块需要了解各服务节点的负载情况，避免这类现象的发生。服务节点硬件的利用率，节点自身进行检查和判断，实现起来比较方便。当服务节点检测到自身硬件的利用率超过或低于某一阈值时，把本节点的检测信息报告给监控模块。通过服务节点与监控模块的通信，监控模块就可以掌握系统中各节点的硬件利用情况。对于任务响应延时由分析模块来实现比较方便。分析模块根据节点这一段时间内的任务响应数和上一段时间的任务响应数，就能分析出该服务节点的任务响应延时增加了还是减少了，并把分析结果交给监控模块。监控模块结合节点的硬件利用情况，就能较好地作出判断，节点的负载是过重，还是过轻，并统计系统中这类服务节点的数目。假设用nb表示系统中负载较重的节点数，ns表示系统中空闲节点数。系统将根据数目的多少，采取相应的处理措施。
根据云计算系统中当前正在运行的服务节点数所提供的服务能力和任务数的多少，可以将二者之间的关系划分为如下三种情况：1）服务能力过剩。此时工作的服务节点数量过多，存在资源浪费，可以关闭部分节点，节省能量消耗。2）服务能力严重不足。此时工作的服务节点数量较少，较多的任务得不到响应，应增加服务节点来提高服务能力。3）服务能力基本符合要求。此刻整体服务能力虽然符合要求，可能存在部分服务节点压力过大，而部分节点较为空闲，可以对压力过大节点的负载迁移到空闲节点，实现负载均衡调节。
对于任务量的多少可以通过任务队列中的任务数来进行确定。给任务队列设置两个阈值，一个是hmax，另一个是hmin，如图2所示。当任务队列中的任务量超过hmax时，表示系统的任务过大，系统中服务能力不足。而当任务队列中的任务量低于hmin时，表示系统中的任务过少，系统服务能力过剩。对于任务队列中的任务，采用Xen中的Credit调度算法，按比例公平轮转调度VCpU（VirtualprocessingUnit）的方式把任务分配给各服务节点。为各服务节点建立一个子队列，服务节点从各自的子队列中取出任务进行处理。为了衡量分配给服务节点的任务量是否适中，为各子队列设置两个阈值Hbi和Hsi，当分配给节点i的任务量超过子队列的Hbi时，任务量过重，而当分配给节点i的任务量少于子队列的Hsi时，任务量过轻。
设用t表示任务队列中任务量的多少，系统中重负荷节点数量超过阈值rb时将采取措施，阈值rs表示系统中空闲节点数量超过该值时将采取措施。下面分情况来讨论服务资源的配置处理。
1）t>hmax且nb>rb时，任务队列中存在大量待处理的任务，同时，服务节点负载压力过大的数量超过阈值rb，表明系统中较多的任务得不到服务，整体服务能力严重不足，应该增加服务节点数量来提高服务能力，避免任务长时间得不到响应。
2）t>hmax而nb
3）t
4）trs时，系统中的任务量较少，同时空闲节点数量较多，存在服务能力过剩，可以关闭部分空闲节点，以减少资源的浪费。
5）t
6）t>hmin而nsrs时，系统中的任务量不少，却出现空闲节点，当nsrs，此时，可以对这部分空闲节点增加任务的分配。
从上述分析可以看出，系统中任务量和服务能力之间的状态关系是动态变化的，在采取相应措施后，能够实现状态之间的转化，从而保持服务能力符合任务量的要求，达到服务资源的自动伸缩调节。
4性能分析
云计算中服务能力过剩的那部分节点的运行，造成资源浪费、空耗能量、设备折旧加速，导致较大的经济损失，而服务能力不足时，造成用户服务请求长时间得不到响应，用户流失，也将造成相应的经济损失。
假设系统中任务的到达是参数为[λ]的poission过程，任务队列的长度为L，系统中有n个服务能力为[μ]的服务节点，设任（下转第66页）
（上接第43页）
务队列的任务量在长时间内的平均值为L/2，则有
[λt=nμt+L/2]
那么
[n=limt∞λt-L/2μt=λμ]
设在任务量少于hmin时，仅需要的服务节点数量为m1个，那么可以减少的服务节点的数目为（[λ/μ-m1]）个，若每个服务节点运行的总费用为K1（元/分钟），那么在t时间里，可以节省的开支为
[C1=（λ/μ-m1）K1t]（1）
若在任务量大于hmax时，需要的服务节点数为m2个，则增加服务节点数为（[m2-λ/μ]），在时间t里，增多的这些服务节点的任务处理量为[（m2-λ/μ）μt]。设耽误任务的处理损失为K2（元/单位任务量），那么可以减少的损失为
[C2=（m2μ-λ）K2t]（2）
从以上分析可以看出，本文方法能在任务量减少时，节省（1）式的成本，而在任务量增加时可以减少（2）式的损失。
5结束语
云计算中资源合理地配置一直是研究的重点。如何保持计算资源的高效利用，降低系统中的整体能耗具有重要意义。本文分析云计算中任务的特点，采用节点响应时间和硬件指标来分析服务节点的负载情况，提出了根据队列中的任务量和满足特定条件的计算节点数来对计算资源动态增加和减少的控制策略。该方法易于实现、方便有效，有利于提高云计算中服务节点的效能，为建设绿色云计算数据中心服务。
参考文献：
[1]薛涛，刘龙.云计算中虚拟机资源自动配置技术的研究[J].计算机应用研究，2016，33（3）：759-764.
[2]林利，石文昌.构建云计算平台的开源软件综述[J].计算机科学，2012，39（11）：1-7.
[3]王晶，方伟，陈静怡，等.云计算环境下的自适应资源管理技术综述[J].计算机工程与设计，2012，33（6）：2128-2132.
[4]罗军舟，金嘉晖，宋爱波，等.云计算：体系架构与关键技术[J].通信学报，2011，32（7）：3-19.
[5]YanGJw，KimSH，LeeSD，et.DesignofanextgenerationD-CatVcloudplatformbasedcontentserviceintegrationsystemusingvirtualizationtechnology[C].//proceedingsofthe2011internationalConferenceoninformationScienceandapplications，washingtonDC：ieeeComputerSociety，2011：1-6.
[6]裴超，吴颖川，刘志勤，等.基于openStack和Cloudify的自伸缩云平台体系[J].计算机应用，2014，34（6）：1582-1586.
数学建模任务分配篇8
【关键词】集装箱码头;作业资源;优化
1.背景
港口作为重要的物流节点在国民经济中起着日益重要的作用，而集装箱在提高港口作业标准化、作业效率方面具有明显优势，因此集装箱码头成为许多国家的发展重点。特别是在我国，随着国民经济的发展，与世界各国的经济交往愈加密切，对外贸易额呈快速增长的趋势，其中集装箱的进出口量也逐年递增，从而成为我国集装箱码头建设的主要推动力之一。然而随着集装箱码头的规模日益增大，吞吐量的急速递增，由于港口作业自身受环境影响大、建设期码头规模估计不足等因素，集装箱码头的作业效率成为制约发挥集装箱码头效能的瓶颈，因此合理调配码头作业资源成为不容忽视的问题，本文将以集装箱码头日常生产实践为基础、以xx港资源优化设计为背景，从集装箱码头作业资源优化与设计方面进行阐述。
2.作业资源优化问题概述
集装箱码头作业资源的优化问题可分解为三个部分的问题：岸边资源优化配置问题、水平运输资源优化配置问题、场内资源优化配置问题。（见图2.1）
图2.1码头作业资源分类图
岸边资源优化配置问题，这其中包括泊位资源分配问题和桥吊资源分配问题。泊位资源的优化配置使用决定着港口岸线资源的使用效率和船舶进港的靠泊时间；桥吊资源分配问题则主要是桥吊调度问题的研究，合理提高装卸效率和提高桥吊的使用率。水平运输资源是指将集装箱从堆场运到岸边或由岸边运到堆场的集卡、aGV等运输设备，目前学者对水平运输资源优化问题的研究中，多贴近于路径优化网络模型的建立，而在实际生产中，由于路径规划不合理、调配不当等因素造成的局部拥堵现象是理论研究中无法反应的，此外在于岸边资源衔接方面，随着桥吊规模增大，目前洋山港已有13台双起重吊投入生产，这对水平运输资源的优化配置也是极大的考验。
集装箱码头场内资源主要有堆场机械资源和堆场空间资源，在装卸过程中，堆场机械直接参与装卸操作，而堆场空间属于固定资源，因此提高装卸效率、和空间利用率是场内资源分配优化的关键问题。目前学术界研究的场内资源优化主要是研究轮胎吊或轨道吊的配置问题，而在实际操作中堆场机械与水平运输设备的衔接等问题上对龙门吊配置模型的应用仍是极大考验。
3.目前已做工作及效果
3.1轮胎吊调度的线性规划模型
轮胎吊的多任务调度模型，也就是需要解决在符合业务约束的前提下,将m个作业任务优化地分配给n个轮胎吊的问题。该问题用整数规划可以表述为如下：
其中(1)式为目标函数，x■表示第i个作业任务和第j个轮胎吊之间的关系，x■=1表示将第i个作业任务分配给了第j个轮胎吊，x■=0则表示第i个作业任务没有分配给第j个轮胎吊。
Cij定义为效率矩阵，表示第i个任务如果给分配给第j个轮胎吊的作业成本，对于轮胎吊调度来说主要考虑时间因素。
Cij=tij=Sij/Vrtg+nij*tc(6)
对于式(6),Sij表示如果第i个任务分配给轮胎吊j,根据预测轮胎吊的移动轨迹距离，在计划作业时间的一定时段以内(如15分钟,待定)，按就近原则决定轮胎吊的移动次序，且根据轮胎吊的实际位置动态修正,nij表示第i个作业之前需要作业的作业数目,如图3.1所示:
图3.1轮胎吊预测移动轨迹示意图
假设轮胎吊原本已分配有5个作业任务，最近的为任务1，如果轮胎吊先做任务1，与任务1最近为任务2，则依次类推可以得到预测的轮吊移动轨迹。如果任务5’要分配给该轮吊做，则需要重新预测移动轨迹，5’替代了5的次序，此时所以有：Sij=S12345’,nij=4，即可计算成本Cij。若Cij导致作业冲突，则Cij=∞。
式(2)为约束条件表示一个任务之可以分配给一个轮胎吊作业。式(3)表示一个轮胎吊可以同时分配到多个任务。式(5)表示每次调度的任务数小于轮胎吊数，这是考虑到本模型大部分计算都是基于预测，一次调度中分配过多任务，导致误差过大。
该线形规划模型是一个0-1整数规划模型，可以考虑用穷举法或隐含枚举法求解，考虑算法性能因素，采用隐含枚举法，隐含枚举法算法示意图如图3.2所示:
图3.2隐含枚举法算法示意图
3.2轮胎吊：RpS轮胎吊自动调度
3.2.1目标
（1）轮胎吊的作业纳入系统管理范畴，建立与之相适应的轮胎吊自动调度数学模型，按照作业指令动态匹配轮胎吊的思路，利用线形规划等算法及方法优化轮胎吊自动调度，并且符合相关业务需求。
（2）采用GpS系统，对轮胎吊位置进行实时跟踪，开发轮胎吊自动调度系统（RpS），对轮胎吊作业采取指导与控制措施，提高轮胎吊作业的效率及利用率。
（3）开发与优化计划与控制子系统，支持轮胎吊自动调度，实现轮胎吊的作业量均衡。
3.2.2实现方法探讨
（1）对现有的堆场进行块的划分：
①按作业箱类型划分：进口箱、出口箱、中转箱。
②人为划分：比如按通道划分（建议）
③块的划分，是为工作量的预测做准备，目前，由于进出口作业的不均衡性，因此，以上对于块的划分，只能实现RtG作业同一类型作业的均衡，而不能使不同类型的作业量达到均衡作用，因此，建议按通道划分，并且同一通道中兼有进口箱和出口箱。
（2）对于划分块的工作量，通过历史数据的分析，进行各类作业工作量的预测。
数学建模任务分配篇9
通过与该科技教育馆高级管理层访谈后了解到，该科技教育馆希望通过在所属县区建立大量科技活动中心，并以此迅速延伸到乡镇、实现全覆盖。基于此，科技教育馆整体的人力资源业务目标主要为“在未来3－5年间，通过内部培养、晋升部分中层人员去承接延伸后的业务，并逐渐承担起管理角色，即从普通员工晋升为副主任，从主任副主任晋升为主任，从主任晋升为副馆长”。但科技教育馆后续承接战略及日常运营时，却发现大量的中层人员工作积极性不高，且中层核心人才的工作积极性不高率约占全部中层人员的60%。该科技教育馆人力资源部门在对中层人员进行面谈时，特别留意并统计了中层人员工作积极性不高的原因，其中近50%的中层人员是因为“感受到较大的晋升阻力”。
是什么原因造成中层人员工作积极性不高呢?对照人力资源配置模型进行微观分析，我们可以看出，该科技教育馆人力资源配置模型中明显存在“晋升阻力点”及“支持不足点”。该科技教育馆具有绝对数量优势的基层人员，根据目前市级事业单位设定的晋升路径，3－5年正常晋升，从普通员工晋升为副主任，从主任副主任晋升为主任，从主任晋升为副馆长。但目前单位设置的副主任、主任、副馆长岗位基本固定、相对较少，即存在“千军万马过独木桥”之势，这导致了员工们感受到较强的晋升阻力，工作积极性不高。这种由于单位人力资源配置模型存在的先天性缺陷，而导致工作积极性不高的情况，我们称之为“结构性问题”。根据该科技教育馆人力资源发展战略，科技教育馆希望内部培养中层领导以支撑日益拓展的服务网点，但作为其人员储备的后续岗位———副主任储备却明显不足，继而形成“支撑不足点”，故使得科技教育馆不得任用一些能力水平不高的中层管理人员。这些中层管理人员往往会导致管理层“难以服众”或“效益平平”等现象。通过调查与分析，单位全部员工对自身晋升通道的清晰度仅为59%，其中3－5年员工(多数为基层人员)对自身晋升通道的清晰度最低，仅为35%，且他们感到明显的晋升压力。构建人力资源配置模型，一方面在于指导未来的人力资源分配，另一方面则可以对照发现现有问题。诸如工作积极性不高、工作效率低等老问题，实际上都可以通过人力资源配置模型找到解决方案，从而提高单位经济效益。
二、创造性构建人力资源配置模型，合理选取量化标的，提高经济效益
例如，某市教科所拥有众多的具有高级职称的领导、研究员。这些人员要么具有丰富的教育管理、教育研究、教育学等综合知识，要么是高级别“教育名师”。该组织的业务并不需要后续大量的跟进、实际执行，故其低层级人员配置必定较少，从而形成了一个“倒三角”的人员配置模型。
又如，一所职教中心，往往需要大量的基层教学人员，以便执行教育、教学或辅导等基础工作。相较于其高级管理层或教育专家而言，该职教中心人员配置分布势必会呈“金字塔”形分布，以坚实的基层人员维系着整个中心教育教学工作的日常运转。
当然，这些都属于较为标准的情况，或者仅限于一些特别行业、单位，而多数情况下的人力资源配置模型往往会构成一个大“雏形”，其中各别层级会包括上述三种人员配置模型中的二种或三种。具体运用时，需要结合业务背景、人力需求而详细分析，从而提高单位经济效益。要有效利用人力资源配置模型，不仅需要熟悉掌握各类配置模型特点及其适用行业，还需要结合本单位整体的人力资源战略进行综合分析、微观分析。同时，还必须利用调查问卷、对员工工作完成情况、人员储备情况及核心人才占比等数据的综合分析，验证人力资源模型的科学性和合理性。只有基于这样的分析结果，才有助于单位管理层级、人力资源部对日常人力资源业务实施监督和持续优化，最终逐步实现人力资源业务目标，提高单位经济效益。
三、结语
数学建模任务分配篇10
一、胜任力的特征内涵
胜任力〔competency)是20世纪70年代初由者名的组织行为研究者DavidmcClelland—对组织在人员的选聘和甄选中采用传统的智力测验、性向测验、学校的学术测验等手段，不能预测其从事复杂工作和高层次职位工作的绩效，或在生活中是否能取得成功，同时对某些特定人群还存在不公平性而提出的⑴。
所谓胜任力是指在特定工作岗位、组织环境和文化氛围中有优异成绩者所具备的任何可以客观衡量的个人特质。构成胜任力有三个重要特性[2]:(1)与任务情景紧密联系，具有动态性,会受到工作环境、工作条件以及岗位特征的影响；（2)与员工的工作绩效有密切关系，它可以预测员工未来的工作绩效；（3)能够区分组织中的绩效优秀者与绩效一般者。只有满足这三个特性,才能被定义为胜任力。胜任力理论为人力资源研究提供了思路。
二、胜任力的人力资源管理
(—)对传统人力资源管理的评述。不容否认，传统的人力资源理论的确给予人力资源管理更多的内容，并且提供了一个分析问题的框架。其优点在于能够形式化说明任职者需要完成的活动，而缺点是在工作日益知识化的时代，它无法明确描述符合要求的可以量化的产出或者结果，是一种过程导向的管理模式，不能区分绩效优秀者与一般者。它过于强调管理形式和操作的规范性，而忽略了管理的本质内容。视管理的重点是岗位,人成了岗位的附属品，不能有效释放组织成员的才能，大大影响人力资源胜任力与潜力的发挥。这种实施传统的管理模式很难获得期望绩效，人力资源的浪费带来管理成本的巨大支出。
(二)胜任力的人力资源管理。美国著名心理学家麦克利兰（mcClelland)于20世纪70年代提出的胜任力Competency)理论，为构建新的人力资源管理体系提供了—个新的方法和视角[3]。在这个系统，胜任力模型成为人力资源管理各个职能模块相互联系的纽带，通过胜任力模型的不断完善，推动人力资源管理实践的发展。基于胜任力的人力资源管理，胜任力成为人力资源管理的起点和核心，整个人力资源管理的目标是通过胜任力的开发和管理来实现的。胜任力的人力资源管理模式主要基于胜任力的人力资源管理实践、胜任力管理和胜任力整合。整个管理模式在动态相互协调，形成一种柔性的组织形式，不断地识别出组织内的胜任力特征，保持组织总是置于卓越者工作状态之中。这种人力资源管理模式使组织处于不断创新的过程，从而打破传统人力资源管理的僵化程序。
(三）基于胜任力寻找绩效卓越者。胜任力理论的关键在于寻找组织的绩效卓越者。绩效卓越者通常能够主动完成组织的目标，具备灵活处理工作任务的快速应变能力。胜任力的人力资源管理需要从直接影响工作业绩的个人条件和行为特征来寻找卓越者。识别绩效卓越者和达标者的特征，将绩效卓越者和绩效达标者区分开来，并按绩效标准来鉴别卓越者。这可以采用指标分析和专家小组讨论的办法，提炼出鉴别工作优秀的员工与工作一般的员工的绩效标准。这些指标应有硬指标，如利润率、销售额等，还必须有软指标，如行为特征、态度、服务对象的评价等。
企业一旦获得其中的绩效卓越者，在没有传统框架的束缚下，按他熟悉的工作环境和工作流程，最具有权威选择更好的做法，主动地完善自己发挥胜任力特征表现，让自己变得更为卓越。一个组织将具备剩余优势，为适应组织的发展赢得更多更优秀的人力资源。
三、基于胜任力的人力资源匹配关系的形成
在人力资源管理上,要做好“人岗匹配”。仅仅考察工作胜任特征的共性是不够的,还必须给不同的岗位构建不同的工作胜任特征模型,适应不同岗位的胜任特征要求。
(一)人员、职位、组织三者的匹配[4]。随着信息技术和知识经济的迅速发展,人员、职位、组织三者对企业的发展显得越来越重要。企业要通过匹配与整合来保持企业战略和人力资源成本战略的一致性。尤其是人力资源的成本管理服务于提高组织绩效和获取竞争优势的目标，提供战略性的保障，被纳入组织经营战略互动的管理体系，必须与“组织的战略”及“战略需求”相统一、相匹配。企业在人力资源管理上追求更大的灵活性，以便更好地依靠组织团队，强化企业管理中“人的因素”。公司的财富更加依赖于其员工所具备的胜任能力表现，尤其是那些具有很高专业技术和能力的员工能力的发挥。
(二）员工、岗位、组织三者的匹配。胜任特征的岗位分析强调把“员工一岗位一组织”匹配作为企业获取竞争优势的一种关键途径，通过对优秀员工的关键性胜任特征和对组织的核心胜任特征两个层面的分析，确定岗位胜任要求和组织的核心竞争力，是一种人员导向的岗位分析方法，在实际工作情境中，这种分析具有更强的绩效视觉感。随着现代人力资源管理的发展，基于胜任特征的岗位分析越来越趋向于较灵活的、指向未来的导向和战略性导向策略，即按照组织未来发展要求重构、再造岗位职责和工作任务,确定员工新的职务
(三）人力资源管理的“人能匹配”。现代企业需要真正把人力资源管理工作的着眼点转移到员工本身，即从员工是否能够适应特定岗位要求的“人岗匹配”，转变为员工是否能在变化的工作情境中真正成为一名具有业绩优秀者素质的“人能匹配”[5]。这无疑会使组织的人力资源管理向着真正能够提高员工工作绩效方向发展，从而做到“人与组织在动态发展中的匹配”。设想它是一种人力资源管理的“人能匹配”模型；对应于用人力资源成本来反映员工胜任能力的另一种匹配，设想它是“人本匹配”模型。由“人能匹配”和“人本匹配”组合成一种成本模型。下面讨论这个模型的构建。
四、胜任力的“人能匹配”系数it估计
胜任力“人能匹配”系数的定义是指员工实际具有的胜任力与其应具有的胜任力之比。用来说明胜任力之间的匹配程度，即员工实际具有的胜任力达到企业对员工胜任力要求的程度[5]。按下述步骤进行：
(一)第i个胜任力要求达到的分值ft。企业根据员工承担特定工作任务应具有的工作特征表现提出的要求，科学制定相应的评分标准，确定应达到各个胜任力要求的分值。把其中第i个胜任力要求达到的分值记为(i=1，2，…，n)。
(二)计算胜任力标准分值胜任力标准分值是表示员工承担特定工作任务所具有的工作特征表现，应达到的胜任力总水平。并根据各个员工承担特定工作任务的重要性程度不同，分配不同的加权值即权重记为&(i=1，2，…，n),ex,=1。胜任力标准分值n由、对fti=1折扣得到。
应当指出，企业在实践应用中要求雇员达到的胜任力分值a过高，为此结合胜任力现实表现引入修正系数n(接近于1但又小于1),表示为n兰1。a的计算公式为：
n=ex,a,x,a,
nr<1(i=i，2，…，n)(1)
ex,=1；ni,或n-1
.i=1V^1
(1)式中：a为胜任力标准分值；a,为达到第i个胜任力要求的分值；x,为第n个胜任力的权重；n为修正系数;n为胜任力的个数。
(三）测评员工各个胜任力分值q',。由企业组成专家测评小组,对员工各个胜任力实际测评,按下式计算：
a'i=ekn■is(i=1，2，…，n;s=1，2，…，m)(2)式中：a-_为员工第i个胜任力分值;a-,s为第s个专家对第i个胜任力的评分；x„为第s个专家对第i个胜任力的评分占专家小组的权重;m为专家个数。
(四）计算员工实际胜任力分值。实际胜任力分值是表示员工承担特定工作任务所具有的工作特征表现,实际具有的胜任力总水平。计算公式为：
a'=em■i(i=1，2，…，n)(3)
i=1
式中：a■为员工实际胜任力分值；a■i、x,、t|定义同上所述。
(五)计算员工胜任力“人能匹配”系数Klc计算公式为：K1=^(4)
设想(4)式为基4胜任力的“人能匹配”模型。K1为员工基于胜任力“人能匹配”程度系数，H、it定义同上所述。当K1>1,K1=1,0
五、胜任力的“人本匹配”系数K2估计胜任力的“人本匹配”系数的定义是指企业实际为员工投入的人力资源成本与企业预计为员工投入的人力资源成本之比，即企业实际为员工投入的人力资源成本达到企业人力资源成本预算的程度。按下述步骤进行：
(一)确定员工年度目标人力资源成本。根据企业发展计划和经营状况，首先确定企业年度目标人力资源成本，然后结合企业本年度的工作任务，并考虑员工胜任力表现及未来的职业生涯发展，逐级分解年度目标人力资源成本到员工身上，从而得出员工人力资源年度目标成本,记为a。
(二)核算员工年度实际人力资源成本。人力资源成本较系统的界定具体包括：招募成本、选择成本、录用成本、安置成本、岗位培训成本、奖励成本、调剂成本、保障成本、退休养老成本、离职补偿成本等。企业应根据实际情况对不同员工的年度实际人力资源进行成本核算，得出员工人力资源年度实际成本,记为a'。
(三）计算员工胜任力的“人本匹配”系数K2。
计算公式为：
K2=a(5)
a设想(5)式为基于胜任力“人本匹配”模型。K2为员工基于胜任力的“人本匹配”程度系数，a、a定义同上所述。当K2>1、fc=1、0
(四）“胜任力-人力成本匹配”系数K估计。对胜任力的“人能匹配”和“人本匹配”进行匹配，得到“胜任力-人力成本匹配”。
“胜任力-人力成本匹配”系数K由（4)式和（5)式 得到： K==ia(6)K2a■/aaa■
式中：K为员工“胜任力-人力成本匹配”程度系数，K1、i(2、a、a■、n、n'定义同上所述。K>1,K=1,0
六、建构“胜任力-人力成本匹配”成本模型
由设想的胜任力“人能匹配”模型和胜任力“人本匹配”模型组合为“胜任力-人力成本匹配”模型。改写（4)式和(5)式联立得到。
按多年的统计数据得到各年的a、a、Q、！t,由
(4)式和（5)式分别计算出一系列的K1、&系数，再计算其平均数设K为统计数据的年限，由（4)式和
(5)式分别变换得到该年度实际胜任力分值^、和实际人力资源成本的估计式，建立“胜任力-人力成本匹配”年度成本模型：
n■^=Ki^x Kv 1八、=1(2卜X八卜 _1v_(2卜=LX^-v^=,K2^(^=1，2，' X-vX=1■，v) ，v
若取p>v,则可用该模型式预期估计未来年度员工实际胜任力分值o■X-v或胜任力标准分值-V,以及实际人力资源成本a■X>v或控制成本ap。例如，当设K2X-2.83,ax-288860元时，则a卜-2.83x288860-817473.80元，即预算到p年度实际人力资源估计成本为：817473.80元
七、胜任力的人力资源价值计量
(一)人力资源价值因素分析。人力资源价值是人的内在胜任力蕴涵于人体内能带来经济利益的劳动潜能，外在地表现为人在劳动中新创造的价值。人的内在劳动能力价值只能推测、判断而无法准确计量，但它创造出了外在的可以计量的价值。人力资源价值的影响因素有：(1)内在因素。内在因素是影响人力资源本身素质和潜在劳动创造能力的因素，主要由劳动能力和努力程度构成，其中劳动能力包括体质、知识、技能、智力水平等。（2)外在因素。人力资源所在的组织及社会等外在因素对人力资源潜力的发挥也起着重要作用.
(二)人力资源的价值计量。探讨人力资源价值计量方法有货币性计量方法和非货币性计量方法[6]。货币性价值计量方法是指人力资源价值计量过程中以货币作为评估的单位,可分为群体价值计量和个体价值计量。在群体价值计量中，我们引用经济价值法,在个体价值计量中，我们引用随机报酬法。在此考虑员工的胜任力表现,对人力资源价值的增长分别给出增长修正系数％和、
1.经济价值法。经济价值法是由弗兰霍尔茨等人于1968年最先提出的,也称为未来收益折现法。该方法认为人力资源的价值在其能够提供未来的收益，因而可从人力资本投资获得企业未来收益来计量人力资本的价值。先预计企业未来各期的净收益，再按一定的折现率折合为现值，然后按照人力资源投资占企业全部投资总额的比例,将收益现值的一部分计为人力资源价值。其计算公式为：XiZi (1+r)t
式中：L表示组织或组织中某一群体的人力资源价值;Xi表示t年的受益；Zi表示第t年的人力资源投资率；na为考虑胜任力表现的增长修正系数，n>1；n为人力资源价值的计算年限。
2.随机报酬法。随机报酬法是由弗兰霍尔茨首先提出的，他认为，一个职工对企业的价值在于他能提供未来的用途和服务，并与他预期所处的职位、服务状态和胜任力特征表现相联系。即人对组织提供的服务量，由于人的胜任力能力表现，受到众多因素影响带有一定的随机性，不可能准确地预知。因此，个体对企业的经济价值计量，只能计算个人服务价值的数学期望，是处在每一服务状态的概率值。其计算公式为： ex,pXi(9) (1+r)*
式中：Jb表示人力资源的价值；Xi表示员工在t年某一职位时为组织创造的价值；p(Xi)表示职工处于该职位获得X,价值的概率；m表示员工在为企业服务的期望年限内可能担任的不同职位数；n为该员工为组织服务的期望年限；％为考虑胜任力表现的增长系数，％21;r表示折现率。