主题
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
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
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
下载当前源码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))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