云中批量随机装箱问题的求解：一种机会约束优化方法

本文研究第一方云中的一个关键资源分配问题：将容器调度到机器上。有数十个服务，每个服务运行一组具有动态资源使用量的同质容器；一个服务的容器以每日批处理方式调度。该问题可自然建模为随机装箱问题（SBPP）。然而，传统 SBPP 研究通常关注机器为空的情形，其目标（即最小化所用机器数量）对于更常见的非空机器现实情况并不良定义。本文旨在弥补这一差距。首先，我们定义一种新的目标度量——置信使用容量（UCaC），它衡量在某一概率下的最大已用资源，并被证明对空机器和非空机器均一致，进而在机会约束下重构 SBPP。其次，通过生成式方法对容器资源使用分布建模，我们揭示 UCaC 可用高斯分布近似，这由真实应用的轨迹数据得到验证。第三，我们通过求解等价的下料问题变体提出一个精确求解器，以及两个基于启发式的求解器——UCaC 最佳适应、双层启发式。我们在合成数据集和真实应用轨迹上对这些求解器进行实验评估，表明我们的方法相对于最小化所用机器数量的传统 SBPP 最优求解器具有优势，且资源违规率低。