整个问题可以分为三部分：最大化使用率、最大化寿命和最大化利润。这三部分的变量相互冲突，并由无数更小的变量所组成。 • 使用率指的是能否应对变化无常的服务器需求，以确保在不同时间满足不同需求的变动。 • 寿命代表服务器的平均使用年限，通常直到被报废。 • 利润则是指在满足需求的基础上所能获得的总利润。
这三者相互制约，提升某一方面可能会降低其他两个方面的表现。目标是找到一个能最大化三者组合的方案。
算法与策略
本质上，这个问题的核心是在相互冲突的三个变量间找到最大化组合。另一种理解方式是，通过权衡三者来找到一个“完美平衡点”，使三者的总和达到最高。可选择的解决方案主要有三种： 1. 机器学习：通过定义各种操作空间和动态规划，使计算机学习背后的规律并自动寻找最佳方案。这种方法的优点是，一旦定义和训练完成，系统便可以自动生成解决方案。缺点是需要庞大的数据和算力资源，特别是处理数百万台服务器的模拟时，在云端进行这样的模拟会很难实现。 2. 线性规划（数学规划）：通过将事物的各种关系转换成数学公式，再通过程序代码由计算机破解出最佳解法。这种方法的好处是算力要求低且有现成工具（例如Google的OCTR）可使用，但问题在于此类非线性的问题难以完全用线性编程来解决。 3. 简单算法：通过人的智慧设计简单算法来解决问题。这种方法的优点是运行时间极快，大约为前两种方案的1%，但缺点是潜力较低，尤其相对于机器学习等进阶方法。
选择与策略
我们选择了第三种方法。策略上，先构建一个简单的算法，快速识别其弱点和瓶颈，然后通过十几次快速迭代提升性能。 • 第一代算法：专注于利润优先的突破点，与其同时关注三个变量，不如集中精力突破一个。曾冠提出了以下理由： 1. 尽快获得反馈，建立完整的反馈链是最重要的，只要建立了核心反馈链，具体方案就不成问题。 2. 快速实现出一套方案，给团队一种方向感。 3. 如果后续需要更改算法，构建一个贪婪算法也会让算法开发更简单。 4. 曾冠认为，最需要避免的是团队在某个问题上卡住而不自知。
第一代算法因未充分考虑其他变量，仅优先考虑利润，结果效能不理想。 • 第二代算法：在发现问题后，曾冠将算法的弱点补充起来，使其在利润优先的基础上不影响其他两个变量。经过改进，第二代算法的性能较第一代提升了100倍，使团队从200支队伍的垫底直接进入前十名。 • 第三代算法：在第二代算法完成后，曾冠队几乎立刻开始了第三代的更新迭代。这次加入了状态识别，即对不同情况进行分类。举例来说，在需求高时侧重于购入资源，而在需求低时则优先延长设备寿命。经过20次迭代，第三代算法完成，效能相比第二代提升了一倍。