Skip to content

校园咨询台容量决策 ​

咨询活动每时段可以开 1–4 张桌。桌太少会留下未服务的人,桌太多要多排同学值班。本练习用一组模拟客流决定全场统一开几张桌。读完可以独立复述目标函数,跑出决定,再用未来时段检验。

从记录变成模型 ​

一行对应一个彼此独立的 20 分钟时段。前八个时段为历史记录,后四个留作检验。数据已整理为非负整数人数。处理实际登记表时先合并重复时段和统一间隔,把漏记时段标为缺失。记录为零和没有记录是两种情况。

分段到访人数
历史16, 21, 20, 27, 14, 25, 23, 17
留出15, 25, 32, 21

假设每桌每时段可处理 8 人,桌子成本是每时段 7 点,每少服务一个人的代价是 3 点。令 dt 为需求,k 为开桌数,短缺量是 ut(k)=max(dt−8k,0)。未用的容量不能移给其他时段。历史总成本为

C(k)=7Tk+3∑t=1Tut(k),k∈{1,2,3,4}.

例如开 3 桌时每段容量 24 人,历史只有 27 人和 25 人的时段产生缺口,缺 3 人与 1 人。总成本是 7×8×3+3×4=180。四个档位逐一枚举即可找到历史最优,计算规模随档位数和时段数增长。若每个时段允许不同桌数,另计换班和人员可用性,再考虑整数规划。

独立实现与留出检验 ​

Python 使用 NumPy、Matplotlib,下载后运行 python mmf_service_capacity.py。使用 MATLAB 时把文件存到当前文件夹,在命令行输入 mmf_service_capacity。MATLAB 基础版即可。 两份程序都先从历史成本选中 3 桌,再在留出时段得到合计缺 9 人、成本 111 点。右图的虚线表示服务容量,柱子高出虚线的部分是缺口。这个聚合容量模型没有刻画到访顺序,因此只能解释人数缺口。需要平均等待时间或等待分位数时,转用排队模型,获取时段内到达与服务时间。

在三个历史时段枚举容量,拆分人员固定成本与短缺罚金。选 2 台后,用到访 18 人的留出时段核对还有 2 人未服务。

最简版依赖 Python:无第三方依赖。MATLAB:基础功能,无需额外工具箱。

在源码所在目录运行 python mmf_min_service_capacity.py

py
import json
historical = [5, 10, 16]
options = [1, 2, 3]
costs = []
for desks in options:
    # 单台一时段处理 8 人、花费 7;短缺部分按每位 3 计罚金。
    missed = sum(max(0, count - 8 * desks) for count in historical)
    costs.append(7 * desks * len(historical) + 3 * missed)
chosen = options[costs.index(min(costs))]
# 锁定选择以后,才用留出观察做回放。
missed_holdout = max(0, 18 - 8 * chosen)
assert costs == [51, 42, 63] and chosen == 2 and missed_holdout == 2
result = {"historical_costs": costs, "chosen": chosen, "holdout_missed": missed_holdout}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))
下载当前源码

下载 Python 源码 · 下载 MATLAB 源码

Python 用 historical[:, None] 明确建立列向量,MATLAB 输入本身是列。两种实现都利用时段向量减档位容量行向量得到同一个矩阵,随后按列加总。要重现结果,请记录时段长度、容量、成本、档位及历史/留出切点。

参数练习 ​

将每个缺口的处罚从 3 调成 15,只用历史重新定方案。先预测哪个档位会胜出,再按成本公式验证。

参考分析

3 桌的新历史成本为 168+15×4=228,4 桌是 224。2 桌至少要付 15×37 的历史缺口成本。选中 4 桌后,留出最大需求 32 恰好等于容量,缺口为 0,花费 7×4×4=112。与原方案的 111 点属于不同的处罚设置下的结果,若要比较两种排班方案,应统一用同一组成本参数重新评分。

MathModel FAQ · 数学建模知识库