Optaplanner - 從探究示例中的hello world,初步認識規划引擎的運行步驟。


  上一篇我們成功以把Opotaplanner規划引擎下載回來,並把它的示例運行起來,簡單解析了一下它的Cloud balance示例。這一篇我們這些示例的源代碼導入到Eclipse中,看看它在后台是怎么運行的。 

一、推薦使用Maven

  在上一篇,我們已經從Optaplanner的官網下載了它的壓縮包,它里面幾乎包含了Optaplanner的所有東西,基本上有了這個包,我們離線都可以做一個應用Optaplanner規划引擎程序出來了。但是如果我們直接使用里面的核心包來做Java Project是很不明智的;因為:1.這些包有很多在特殊的場景才會用到,並不是每個項目都會用到,引入太多浪費空間。2. 如果Optaplanner引擎有版本更新了,你又想使用的話,那只能重新下載、配置。所以,現在Optaplanner官網通常都是推薦通過Maven的方式來建議項目。關於Maven的用法,大家可以去看一下相關的文章,其實也不復雜的,就是有一些公共的庫幫你管理好了這些你用到的包,你只需要在你的項目里配置好你需要使用的包,剩下的就是Maven自己把需要的包括下載到你本地,並自動匹配版本了,當有Optaplanner有版本更新的時候,你所使用的包也可以更新為最新版本,而無需人工下載。所以,在這里,我們都是以Maven項目的方式來建立Optaplanner的示例源碼,在以后的Optaplanner相關的演示中(稍后會有一篇文章會編寫一個最基本的Hello world程序,也會通過Maven項目實現). 

二、Optaplanner的Hello word

  這一篇里面我們就從Optaplanner所有示例程序中的“Hello word”開始,因為Optaplanner面對的是規則問題,所以並沒辦法像學習一門新語言的入門教程一下,以打印一個Hello world信息出來作為第一個程序,畢竟它是個規划引擎,是用來對一系列對像進行規划的。所以我們就從它的說明文檔里最簡單的一個示例Cloud Banacing開始。關於這個示例的說明,在上一篇文章里,我們把它的所有示例程序跑起來的時候,重點講解過它,這里就概述一下,讓大家對這個示例有個大概的了解。大家可以打開《OptaPlanner - 把example運行起來(運行並淺析Cloud balancing)》這篇文里看它在程序里的具體呈現方式。簡而言之,Cloud banacing就是模擬在雲端有很多任務,需要根據CPU, 內存及帶寬的要求,分配到不同的計算機上去執行,在滿足了每個任務的基礎上,還需要實現最省計算機資源的原則。這就是典型的資源規則問題了,大家可以擴展到供應鏈各個環節中的場景,例如APS(Advanced Planning and Scheduling, 高級計划與排程)中,如何將任務按一定的要求分配到指定的車間、產線甚至機台、工位上,並實現成本最低,或效率最高,或資源平衡等要求。 

三、導入示例源碼並試運行

  接下來我們就一步步把源代碼都導進Eclipse里慢慢分析一下,如果要實現一個規則程序,至少需要用到Optaplanner哪里功能,需要建議哪些對象和規則。在一上篇里,我們已經下載了Optaplanner的發布包了,它里面包含了Optaplanner引擎的所有東西,包括可以直接使用的字節碼程序,源代碼,用戶手冊(包括所有API的Java Doc),所有示例程序和所有示例程序的源代碼.這里,我們就以Mavin Project為基礎,把這個發布包里的示例程序的源代碼導進來,然后再從這些源代碼里去看看它的基本運行步驟和所需的對象和規則。

1. 創建workspace

  創建一個文件夾作為這些試驗的workspace.接下來我們的所有示例源碼都放在這個文件中進行導入、運行、調度並修改。

                               

2. 解壓示例源碼

  把示例源代碼解壓到workspace文件夾中,以便下一步把它作為maven項目導入,注意,需要將optaplanner-distribution-7.6.0.Final\examples\sources整個文件夾解壓到workspace文件夾中去,因為這個文件夾里包含了示例源代碼,用於運行示例用的數據文件,還有一些資源文件。source文件夾下面有個pom,xml文件,表示它是一個maven項目。

             

3. 導入示例源代碼

  在eclipse中,選擇菜單File -> Import, 在彈出的Import對話框中,選擇"Existing Maven Projects",(可以在Select an import wizard下面的文檔框中輸入maven來快速定位你們導入的項目,輸入maven,就會過濾出maven相關的項目),選擇“Existing Maven Projects”,點擊"Next", 在"Import Maven Projects"對話框中,通過"Browser"按鈕定位到剛才解壓的sources文件夾去,Root Directory即會顯示該位置,並在下面的Projects列表中,顯示該文件夾下的pom.xml文件,選中該pom.xml文件,並選中“add projects(s) to working set”,點擊Finish。eclipse即會把程序導入,並在sources文件夾(即與pom.xml文件同一個地方)中生成.project文件。即表示項目導入成功。

                             

                                                                                                                                                                                                    

4. 更新依賴包。

  項目導入后,通常eclipse會自己檢測項目中依賴的包是否都存在,若不存在會自己下載。如果eclipse沒有自動下載(通常幾秒鍾后會檢查到並下載),就點選一下菜單File -> Refresh 刷新一下。你們的電腦如果是第一次導入Optaplanner的項目,將會有一個比較長的下載依賴包過程,視下載速率而定。通常會顯示更新進度。完成依賴包下載后,eclipse還會原始的項目信息,為源創建好各種包。即恢復原來的包信息.

        
                              

      

  5.試運行

  我們先試一下,看看我們的導入的源代碼是否都已經正確,所需的依賴包是否都已經完成下載並更新。找到整個示例的入口類 - OptaPlannerExamplesApp.java. 右擊它,在彈出菜單中,選擇Run As -> 2 Java Application. 稍等片刻,程序就會跑起來了,效果跟上一篇我們直接通過批處理文件運行起來的效果一樣,那么就表示我們已經成功把Optaplanner的所有示例成功導進eclipse了。

                               

 

四、分析Hello world源碼

  下面,我們着重分析一下它的Cloud Balancing示例,它的,在包org.optaplanner.examples.cloudbalancing.app下,有一個CloudBalancingHelloWorld.java類。這個就是Optaplanner最基本的入門示例了。我們直接看它的代碼,可以看到要使用Optaplanner需要最基本的三個步驟,分別是創建Solver對象, 創建被規划的對象,啟動solve()方法,solver方法的返回值就是一個已經規划好的方案了.代碼如下: 

 1   public static void main(String[] args) {
 2         // Build the Solver
 3         SolverFactory<CloudBalance> solverFactory = SolverFactory.createFromXmlResource(
 4                 "org/optaplanner/examples/cloudbalancing/solver/cloudBalancingSolverConfig.xml");
 5         Solver<CloudBalance> solver = solverFactory.buildSolver();
 6 
 7         // Load a problem with 400 computers and 1200 processes
 8         CloudBalance unsolvedCloudBalance = new CloudBalancingGenerator().createCloudBalance(400, 1200);
 9 
10         // Solve the problem
11         CloudBalance solvedCloudBalance = solver.solve(unsolvedCloudBalance);
12 
13         // Display the result
14         System.out.println("\nSolved cloudBalance with 400 computers and 1200 processes:\n"
15                 + toDisplayString(solvedCloudBalance));
16     }

  第一步:生成Solver對象,代碼的第3行創建一個SolverFactory<CloudBanace>對象,其實也就是它使用了工廠模式,並使用了泛型了。其中CloudBalance是一個由我們定義的Planning Problem對象,被規則的對象都會作為Planning Problem對象的屬性列表而傳進引擎中,它是Opaplanner的幾大基本對象之一,在這個示例中,第8行就是創建了一個Planning Problem對象,大家可以導航進去看到,創建它的時候,是否為它的兩個列表(Computer和Process列表)初始化了一些對象。在關於這些基本對象的文章中,將會有詳細的說明.在這一步主要是創建一個Solver對象出來,這個對象是指Optaplanner引擎將會使用什么算法,以什么參數,引用哪些規則對Planning Problem進行規划運算的,在規划運算過程中,基於什么原則進行退出等等設置。而這些設置全部可以寫進一個XML文件中,也就是上面代碼中的cloudBalancingSolverConfig.xml了。

  第二步:創建將要被規划的對象,就是上面提到的Planning Problem對象了,在代碼中的第8行實現。

第三步:通過Solver對象的solve方法,對上面創建的Planning Problem進行規划。這個過程有可能需要一個很長的時間,也有可能是實時規划的,也可能7 * 24小時都在包(實時規划)。而對於前一種(非實進規划),當規划運算完成后(通常在cloudBalancingSolverConfig.xml文件中會設置規划的完成條件),會返回一個已經完成了規划的Planning Problem對象,讀取這個對象里的規划實體列表(例如本例中的規划實體就是Process對象),就得到規划好的方案了。

  以下是這個示例在規划過程中的Log輸出,它清楚以顯示了每一個規划步驟,引擎對規划實體進行了什么操作。

20:00:47.447 [main        ] DEBUG     LS step (20378), time spent (14822), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/2), picked move (CloudProcess-21 {CloudComputer-182 -> CloudComputer-74}).
20:00:47.447 [main        ] DEBUG     LS step (20379), time spent (14822), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-1191 {CloudComputer-164} <-> CloudProcess-674 {CloudComputer-375}).
20:00:47.447 [main        ] DEBUG     LS step (20380), time spent (14822), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-696 {CloudComputer-360} <-> CloudProcess-945 {CloudComputer-286}).
20:00:47.447 [main        ] DEBUG     LS step (20381), time spent (14822), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-490 {CloudComputer-298} <-> CloudProcess-1196 {CloudComputer-258}).
20:00:47.447 [main        ] DEBUG     LS step (20382), time spent (14822), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/10), picked move (CloudProcess-204 {CloudComputer-375 -> CloudComputer-159}).
20:00:47.448 [main        ] DEBUG     LS step (20383), time spent (14823), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-465 {CloudComputer-136} <-> CloudProcess-621 {CloudComputer-0}).
20:00:47.448 [main        ] DEBUG     LS step (20384), time spent (14823), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-860 {CloudComputer-393} <-> CloudProcess-29 {CloudComputer-216}).
20:00:47.449 [main        ] DEBUG     LS step (20385), time spent (14824), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/5), picked move (CloudProcess-57 {CloudComputer-323} <-> CloudProcess-768 {CloudComputer-36}).
20:00:47.449 [main        ] DEBUG     LS step (20386), time spent (14824), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-934 {CloudComputer-324 -> CloudComputer-246}).
20:00:47.449 [main        ] DEBUG     LS step (20387), time spent (14824), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/2), picked move (CloudProcess-812 {CloudComputer-198} <-> CloudProcess-1085 {CloudComputer-112}).
20:00:47.449 [main        ] DEBUG     LS step (20388), time spent (14824), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-883 {CloudComputer-41} <-> CloudProcess-1180 {CloudComputer-237}).
20:00:47.450 [main        ] DEBUG     LS step (20389), time spent (14825), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/6), picked move (CloudProcess-477 {CloudComputer-376} <-> CloudProcess-713 {CloudComputer-197}).
20:00:47.450 [main        ] DEBUG     LS step (20390), time spent (14825), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-693 {CloudComputer-311 -> CloudComputer-342}).
20:00:47.450 [main        ] DEBUG     LS step (20391), time spent (14825), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-328 {CloudComputer-186} <-> CloudProcess-520 {CloudComputer-59}).
20:00:47.453 [main        ] DEBUG     LS step (20392), time spent (14828), score (0hard/-519420soft),     best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-203 {CloudComputer-103} <-> CloudProcess-745 {CloudComputer-112}).

 

  至此,我們已把Optaplanner的示例程序全部導入到eclipse並跑起來了,也簡單地介紹過一下它的hello world示例,可能大家還是會有些疑問,到底它是怎么執行得的,它做了些什么,要理解這些問題,就真的需要從需求開始,再理解一下Optaplanner的規划模型,最后結合一些示例才能說得清楚了。在接下來的文章中,我將會以自己想出來的簡單示例,逐步對上述的問題進行講述。過程不再一次過寫太長的內容了,會在每篇文章里介紹幾個相關的概念。好讓大家更容易理解,更容易上手。

PS: 其實在導入並試運行過程中,使用7.6.0.Final版本的代碼會出現一個異常的,剛好今天發現有7.7.0.Final發布了(好快喔),就下了最新的源碼,那個異常消失了。大家可以注意一下,下載7.6.0.Final的示例源碼不一定能跑成功喔,

原創不易,如果覺得文章對你有幫助,歡迎點贊、評論。文章有疏漏之處,歡迎批評指正。


 

 

本系列文章在公眾號不定時連載,請關注公眾號(讓APS成為可能)及時接收,二維碼:


如需了解更多關於Optaplanner的應用,請發電郵致:kentbill@gmail.com
或到討論組發表你的意見:https://groups.google.com/forum/#!forum/optaplanner-cn
若有需要可添加本人微信(13631823503)或QQ(12977379)實時溝通,但因本人日常工作繁忙,通過微信,QQ等工具可能無法深入溝通,較復雜的問題,建議以郵件或討論組方式提出。(討論組屬於google郵件列表,國內網絡可能較難訪問,需自行解決)

 

 


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM