准确预测人们想要什么以及何时想要它并不容易。我们是要求很高的生物，期望世界能够为我们日益复杂和多样化的现代问题提供快速的解决方案。

在过去的几十年里，研究人员开发了一系列非常有效的数学解决方案，可以在各种行业和场景中分配资源，以便他们可以尝试满足我们生活对他们的日常需求。但是，当一次进行的分配影响后续分配时，问题就会变得动态，并且必须将时间的流逝视为等式的一部分。这给工作带来了数学扳手，要求这些解决方案现在考虑到现实世界不断变化和不确定的性质。

您可能还喜欢：
Ø什么是 3.5% 革命规则？
Ø如何转变社会的时间观
Ø为什么互联网正在分裂

此类问题统称为动态资源分配问题。只要您发现需要实时分配的有限资源，它们就会突然出现。

普林斯顿大学工程师 Warren Powell 一直在研究这些问题，他表示，无论您是在等待出租车还是次日送货，动态资源分配问题及其日常应用的列表“几乎是无穷无尽的”。自20世纪80年代以来的问题。

但动态资源分配问题不仅仅涉及在人类需要时提供他们想要的东西。它们对于解决世界上一些最基本、最复杂的问题（包括气候变化）也至关重要，因为它们帮助我们以最有效的方式分配地球上经常稀缺和枯竭的资源。

但让我们首先看一个简化的例子，看看什么是动态资源分配问题以及是什么让它如此难以解决。

想象一下您正在为您的四口之家烹制烤肉晚餐。您选择了带有各种配料的牛肉，因为您知道它是全家人的最爱。但正当你准备上菜时，你的女儿宣布她是素食主义者，你的伴侣发短信说他们要迟到了，你的儿子告诉你他受到了邀请（一些）朋友也过来吃晚饭。然后，你的狗拿着一块牛肉跑掉了，而你则拼命地想办法满足所有这些（坦率地说）非常苛刻和不守规矩的人的需求。

它们对于解决世界上一些最基本和最复杂的问题（包括气候变化）至关重要

这是动态资源分配问题的一个简单例子，但它展示了研究人员在解决这些问题时面临的一些核心挑战。首先，影响需求的参数在短期和长期都会发生意想不到的变化。当您准备这顿饭时，您不可能准确预测女儿的新饮食要求、伴侣的迟到或儿子的额外客人。

从长远来看，您家中的膳食需求也会每天发生变化。您每次可能需要喂 2 到 20 个人。从一顿饭到另一顿饭，您都不知道谁想要喂食、他们想要什么或什么时候想要喂食。您可以根据以前的经验进行有根据的猜测，但这不是一个可靠的方法，因为人性和影响需求的许多其他参数是不可预测的。

在这种情况下个人的行为也会影响系统的未来状态。每次你为一个人分配特定的膳食时，系统就会发生变化。它可以消除厨房中的一个饥饿者和食物。

“所有[动态资源分配]示例都需要处理不断变化的输入和环境，这些输入和环境是高度动态的，并且难以估计和预测，因为未来负载在统计上并不依赖于当前负载，”Eiko Yoneki 说，剑桥大学计算机实验室数据中心系统小组的高级研究员。– 一种变化会引发另一种变化，如果想要准确地控制系统，就必须考虑系统的未来状态。 –

更重要的是，随着越来越多的人或膳食选择进入您的厨房，事情会变得更加复杂。现在，您可以通过更多方式为不同的人分配一系列不同的膳食。当您向系统添加更多人员或餐食时，组合数量会呈指数级增长。

这正是一家大型医院可能面临的情况，例如，当试图为所有进院的病人提供食物时。在尝试治疗这些患者时也是如此。他们所需的药品本身的保质期有限，而诊断和治疗所需的设备也会随着不同患者的到来而不断变化。核磁共振扫描仪、医生和护士等有限资源也需要分配。为了解决这个问题，并防止成本飙升失控，医院管理层可能会部署数学模型来帮助协调所有这些事情。

问题在于大多数现有方法都依赖历史数据来进行预测。对于此类系统，这种方法不能很好地扩展，甚至无法应对最小的变化。如果确实发生了变化，他们就会回到一开始并重新开始制定解决方案。即使对于相当少量的人员和资源（无论是一顿饭还是 MRI 扫描仪），此类问题很快就会变得难以计算。

动态资源分配问题也源于一系列不同的场景，并且每种场景都有其自己的具体问题。例如，Yoneki 正在调查这些问题的影响，以帮助我们的计算机系统和应用程序运行得更快、更高效。

“现代计算机系统很复杂，许多配置参数需要调整，包括内存、计算能力、通信能力以及系统的任何输入等资源分配，”她说。– 计算机系统是动态的，需要应对不断变化的环境，这需要动态控制方法。 –

移动电话网络和云计算也依赖于解决这些问题 

因此，您正在阅读本文的计算机几乎肯定正在努力解决一些动态资源分配问题。移动电话网络和云计算也依赖于解决这些问题。

配送公司也在解决动态资源分配问题，以加快配送速度。例如，UPS 开发了道路综合优化和导航 (Orion) 系统，利用先进算法优化其送货路线。该公司声称该解决方案每年节省了 1 亿英里 - 但其他报告揭示系统在复杂的城市环境中的挣扎。

鲍威尔表示，由于当今产品的复杂性，供应链是另一个“永远不会消失的问题”。例如，如果您想制造一款标准智能手机，您需要协调来自全球各地的数百个组件，所有这些组件都在工厂车间按特定顺序组装在一起。“在试图满足社会需求时，供应链中断是一个主要问题，”他补充道。

我们的能源供应也变得越来越复杂，依赖于风能和太阳能等不可预测的可再生能源。这些来源的输出可能会大幅波动，任何给定时间的能源需求也是如此。能源成本也会波动——电价可能在五分钟内飙升至平均价格的 50 倍。

事实上，您将很难找到一个不面临以某种形式管理动态资源分配问题的挑战的行业。“电价、供应链中零件的产量、行程时间、设备故障和人们的行为都是我必须处理的问题，”鲍威尔说。– 这个问题非常丰富，以至于至少有 15 个不同的研究团体从不同的角度研究这个问题。 –

这是很重要的一点。动态资源分配问题的多样性意味着需要对用于解决该问题的不同计算技术和方法进行全行业标准化。鲍威尔是试图将不同社区聚集在一起解决动态资源分配问题的人之一。“我们的方法不会取代任何先前的工作，”他说。“相反，它将所有这些工作结合在一起，并有助于确定交叉受精的机会。”

机器学习的进步为解决动态资源分配问题带来了新的希望

过去几十年来，一套丰富的运营管理工具非常有效地解决了动态资源分配问题，帮助世界各地的航空公司、物流公司和公路网络以多种方式提高绩效。然而，鲍威尔表示，“高维度”需要考虑许多不同的参数，而不确定性仍然是一个挑战。

机器学习的进步为解决动态资源分配问题带来了新的希望。一种称为深度强化学习的人工智能技术允许算法通过与环境交互来学习该做什么。该算法的设计目的是在无需人工干预的情况下进行学习，对正确执行的行为进行奖励，对错误执行的行为进行惩罚。通过尝试最大化奖励和最小化惩罚，它可以很快达到最佳状态。

最近，深度强化学习使 Google DeepMind 的 AlphaGo 程序能够击败围棋世界冠军。该系统一开始对围棋游戏一无所知，然后与自己进行对弈来训练和优化其性能。虽然游戏是深度强化学习技术的重要概念证明，但学习如何玩游戏并不是此类方法的最终目标。

Yoneki 和她的团队一直致力于为使用深度强化学习的计算机系统性能调整提供人类启发式的可行替代方案。他们正在开发的计算机系统可以扩展，以解决以前在计算上难以解决的决策问题。它解决了计算复杂性的问题，还可以实时响应不断变化的参数。

采用这种方法的系统已被用于优化资源管理、设备支付优化和数据中心冷却等领域的系统性能。“此类应用才刚刚开始，它们开启了一个充满机遇的全新世界，”Yoneki 说。

总部位于英国剑桥的人工智能初创公司 Prowler.io 的研究团队也在使用自己的机器学习方法来解决动态资源分配问题。其算法提供激励来诱发系统中的特定行为。在现实世界中，这可能相当于引入智能通行费，以激励司机使用特定道路并最大限度地减少交通拥堵和污染。

随着我们的人口不断增长，我们对按需服务的渴望不断增加，动态资源分配问题的复杂性只会加剧

但 Yoneki 表示，机器学习领域还有很多工作要做。

☀使用强化学习将推动动态资源分配问题向前发展，但建立强化学习模型需要大量数据，并且仍处于实验阶段，尤其是需要处理更复杂参数的计算机系统而不是简单的游戏盒，”她说。– 该主题的研究正在迅速进展。 –

我们距离解决这一系列独特的问题还有一段路要走，因为当我们试图解决现实世界的复杂性和随机性时，当今的技术和计算资源很快就会耗尽动力。但随着我们的人口不断增长，我们对按需服务的渴望不断增加，动态资源分配问题的复杂性及其对我们日常生活的影响只会加剧。

如果我们现在不开始解决动态资源分配问题，我们将不仅仅是为了吃饭而苦苦挣扎——整个世界都可能陷入停滞。

--

喜欢我们，加入一百万未来粉丝的行列 Facebook，或关注我们 叽叽喳喳或 Instagram。

如果你喜欢这个故事， 订阅 bbc.com 每周专题通讯，名为“如果你本周只读了 6 件事”。来自 BBC 未来、文化、资本和旅游的精选故事，每周五发送到您的收件箱。一个