要準確預測人們想要什麼以及何時想要它並不容易。我們是要求很高的生物，期望世界能為我們日益複雜和多樣化的現代問題提供快速的解決方案。

在過去的幾十年裡，研究人員開發了一系列非常有效的數學解決方案，可以在各種行業和場景中分配資源，以便他們可以嘗試滿足我們生活對他們的日常需求。但是，當一次進行的分配影響後續分配時，問題就會變得動態，並且必須將時間的流逝視為等式的一部分。這為工作帶來了數學扳手，要求這些解決方案現在考慮到現實世界不斷變化和不確定的性質。

您可能還喜歡：
Ø什麼是 3.5% 革命規則？
Ø如何轉變社會的時間觀
Ø為什麼網路正在分裂

此類問題統稱為動態資源分配問題。只要您發現需要即時分配的有限資源，它們就會突然出現。

普林斯頓大學工程師 Warren Powell 一直在研究這些問題，他表示，無論您是在等待出租車還是次日送貨，動態資源分配問題及其日常應用的列表“幾乎是無窮無盡的”。以來的問題。

但動態資源分配問題不僅涉及在人類需要時提供他們想要的東西。它們對於解決世界上一些最基本、最複雜的問題（包括氣候變遷）也至關重要，因為它們幫助我們以最有效的方式分配地球上經常稀缺和枯竭的資源。

但讓我們先來看一個簡化的例子，看看什麼是動態資源分配問題以及是什麼讓它如此難以解決。

想像一下您正在為您的四口之家烹製烤肉晚餐。您選擇了帶有各種配料的牛肉，因為您知道它是全家人的最愛。但正當你準備上菜時，你的女兒宣布她是素食主義者，你的伴侶發短信說他們要遲到了，你的兒子告訴你他受到了邀請（一些）朋友也過來吃晚飯。然後，你的狗拿著一塊牛肉跑掉了，而你則拼命地想辦法滿足所有這些（坦白說）非常苛刻和不守規矩的人的需求。

它們對於解決世界上一些最基本和最複雜的問題（包括氣候變遷）至關重要

這是動態資源分配問題的一個簡單例子，但它顯示了研究人員在解決這些問題時面臨的一些核心挑戰。首先，影響需求的參數在短期和長期都會發生意想不到的變化。當您準備這頓飯時，您不可能準確預測女兒的新飲食需求、伴侶的遲到或兒子的額外客人。

從長遠來看，您家中的膳食需求也會每天改變。您每次可能需要餵食 2 到 20 個人。從一頓飯到另一頓飯，您都不知道誰想要餵食、他們想要什麼或什麼時候想要餵食。您可以根據先前的經驗進行有根據的猜測，但這不是一個可靠的方法，因為人性和影響需求的許多其他參數是不可預測的。

在這種情況下個人的行為也會影響系統的未來狀態。每次你為一個人分配特定的膳食時，系統就會改變。它可以消除廚房中的一個飢餓者和食物。

「所有[動態資源分配]範例都需要處理不斷變化的輸入和環境，這些輸入和環境是高度動態的，並且難以估計和預測，因為未來負載在統計上並不依賴當前負載，」Eiko Yoneki 說，劍橋大學電腦實驗室資料中心系統小組的高級研究員。– 一種變化會引發另一種變化，如果想要準確地控制系統，就必須考慮系統的未來狀態。

更重要的是，隨著越來越多的人或膳食選擇進入您的廚房，事情變得更加複雜。現在，您可以透過更多方式為不同的人分配一系列不同的餐點。當您為系統添加更多人員或餐點時，組合數量會呈指數級增長。

這正是一家大型醫院可能面臨的情況，例如，當試圖為所有進院的病人提供食物時。在嘗試治療這些患者時也是如此。他們所需的藥品本身的保質期有限，而診斷和治療所需的設備也會隨著不同患者的到來而不斷變化。核磁共振掃描儀、醫生和護士等有限資源也需要分配。為了解決這個問題，並防止成本飆升失控，醫院管理層可能會部署數學模型來幫助協調所有這些事情。

問題在於大多數現有方法都依賴歷史資料來進行預測。對於此類系統，這種方法不能很好地擴展，甚至無法應對最小的變化。如果確實發生了變化，他們就會回到一開始並重新開始製定解決方案。即使對於相當少量的人員和資源（無論是一頓飯還是 MRI 掃描儀），此類問題很快就會變得難以計算。

動態資源分配問題也源自於一系列不同的場景，每種場景都有自己的具體問題。例如，Yoneki 正在調查這些問題的影響，以幫助我們的電腦系統和應用程式運行得更快、更有效率。

「現代電腦系統很複雜，許多配置參數需要調整，包括記憶體、運算能力、通訊能力以及系統的任何輸入等資源分配，」她說。– 電腦系統是動態的，需要應對不斷變化的環境，這需要動態控制方法。

行動電話網路和雲端運算也依賴解決這些問題 

因此，您正在閱讀本文的計算機幾乎肯定正在努力解決一些動態資源分配問題。行動電話網絡和雲端運算也依賴解決這些問題。

配送公司也正在解決動態資源分配問題，以加快配送速度。例如，UPS 開發了道路綜合優化和導航 (Orion) 系統，利用先進演算法優化其送貨路線。該公司聲稱該解決方案每年節省了 1 億英里 -​​ 但其他報告揭示系統在複雜的城市環境中的掙扎。

鮑威爾表示，由於當今產品的複雜性，供應鏈是另一個「永遠不會消失的問題」。例如，如果您想製造一款標準智慧型手機，您需要協調來自全球各地的數百個組件，所有這些組件都在工廠車間按特定順序組裝在一起。「在試圖滿足社會需求時，供應鏈中斷是一個主要問題，」他補充道。

我們的能源供應也變得越來越複雜，依賴風能和太陽能等不可預測的再生能源。這些來源的輸出可能會大幅波動，任何給定時間的能源需求也是如此。能源成本也會波動——電價可能在五分鐘內飆升至平均價格的 50 倍。

事實上，您將很難找到一個不面臨以某種形式管理動態資源分配問題的挑戰的行業。「電價、供應鏈中零件的產量、行程時間、設備故障和人們的行為都是我必須處理的問題，」鮑威爾說。– 這個問題非常豐富，以至於至少有 15 個不同的研究團體從不同的角度研究這個問題。

這是很重要的一點。動態資源分配問題的多樣性意味著需要對用於解決該問題的不同計算技術和方法進行全行業標準化。鮑威爾是試圖將不同社區聚集在一起解決動態資源分配問題的人之一。“我們的方法不會取代任何先前的工作，”他說。“相反，它將所有這些工作結合在一起，並有助於確定交叉受精的機會。”

機器學習的進步為解決動態資源分配問題帶來了新的希望

過去幾十年來，一套豐富的營運管理工具非常有效地解決了動態資源分配問題，幫助世界各地的航空公司、物流公司和公路網路以多種方式提高績效。然而，鮑威爾表示，「高維度」需要考慮許多不同的參數，而不確定性仍然是一個挑戰。

機器學習的進步為解決動態資源分配問題帶來了新的希望。一種稱為深度強化學習的人工智慧技術允許演算法透過與環境互動來學習該做什麼。該演算法的設計目的是在無需人工幹預的情況下進行學習，對正確執行的行為進行獎勵，對錯誤執行的行為進行懲罰。透過嘗試最大化獎勵和最小化懲罰，它可以很快達到最佳狀態。

最近，深度強化學習使 Google DeepMind 的 AlphaGo 程式能夠擊敗圍棋世界冠軍。這個系統一開始對圍棋遊戲一無所知，然後與自己進行對弈來訓練和優化其表現。雖然遊戲是深度強化學習技術的重要概念證明，但學習如何玩遊戲並不是此類方法的最終目標。

Yoneki 和她的團隊一直致力於為使用深度強化學習的電腦系統效能調整提供人類啟發式的可行替代方案。他們正在開發的電腦系統可以擴展，以解決以前在計算上難以解決的決策問題。它解決了計算複雜性的問題，還可以即時回應不斷變化的參數。

採用這種方法的系統已被用於優化資源管理、設備支付優化和資料中心冷卻等領域的系統效能。「這類應用才剛開始，它們開啟了一個充滿機會的全新世界，」Yoneki 說。

總部位於英國劍橋的人工智慧新創公司 Prowler.io 的研究團隊也正在使用自己的機器學習方法來解決動態資源分配問題。其演算法提供激勵來誘發系統中的特定行為。在現實世界中，這可能相當於引入智慧通行費，以激勵駕駛者使用特定道路並最大限度地減少交通擁堵和污染。

隨著我們的人口不斷增長，我們對按需服務的渴望不斷增加，動態資源分配問題的複雜性只會加劇

但 Yoneki 表示，機器學習領域還有很多工作要做。

☀使用強化學習將推動動態資源分配問題向前發展，但建立強化學習模型需要大量數據，並且仍處於實驗階段，尤其是需要處理更複雜參數的電腦系統而不是簡單的遊戲盒，」她說。– 主題的研究正在迅速進展。

我們距離解決這一系列獨特的問題還有一段路要走，因為當我們試圖解決現實世界的複雜性和隨機性時，當今的技術和運算資源很快就會耗盡動力。但隨著我們的人口不斷增長，我們對按需服務的渴望不斷增加，動態資源分配問題的複雜性及其對我們日常生活的影響只會加劇。

如果我們現在不開始解決動態資源分配問題，我們將不僅僅是為了吃飯而苦苦掙扎——整個世界都可能陷入停滯。

--

喜歡我們，加入一百萬未來粉絲的行列 Facebook，或關注我們 嘰嘰喳喳或 Instagram。

如果你喜歡這個故事， 訂閱 bbc.com 每週專題通訊，名為「如果你本週只讀了 6 件事」。來自 BBC 未來、文化、資本和旅遊的精選故事，每週五發送到您的收件匣。