一、 赛题解读
2018的华为软件挑战赛赛题还是很好理解的，简单讲就是分成了两个部分，一是根据多用户请求云端弹性服务器资源个数的时间序列历史数据，来对未来一段时间的用户请求情况进行预测，二是通过装箱（背包）对预测资源进行分配。算是一个比较容易上手的题目。
在官方的指导文档中，更是给出了一个简单、基本的解题思路，并含有伪代码，对于第一次参赛的人非常友好。
二、 初赛方法
因为指数平滑方法的简单稳定，适用于中短期发展趋势预测，所以我们组一开始便选择了这个方法，后来得知大多数队伍在预测部分都是指数平滑法。这也算是我们误打误撞，新手福利吧。
（1） 一次指数平滑：是一种特殊的加权平均法，对于本次实际值和本次预测值赋予不同的权重，求得下一次预测值。
St = α * xt + (1 - a)St-1
其中St为第t次预测值，xt为第t次实际值，α为权值（即平滑系数）。新预测值是根据预测误差对原预测值进行修正得到的。α的大小表明了修正的幅度。α值愈大，修正的幅度愈大，α值愈小，修正的幅度愈小。
一次指数平滑法比较简单，预测的时间序列为一条直线，不能反映时间序列的趋势和季节性。
（2）二次指数平滑： 二次指数平滑用于线性趋势的时间序列
二次指数平滑，将一次平滑的结果作为实际值再次平滑，这样做保留了趋势的信息，使得预测的时间序列可以包含之前数据的趋势，二次指数平滑的预测结果是一条斜的直线。
（3） 三次指数平滑预测：在二次平滑的基础上继续平滑，可用于抛物线型的数据。
根据评分结果来看，二次指数平滑+三次指数平滑的方法得分最高，所以我们最终采取了这种具有多个参数的预测模型。
在放置部分，我们可以把问题理解成一个装箱问题，只是加了一个关于CPU和MEM的约束关系（1:1,1:2,1:4）。在放置部分我们分别使用过贪心算法和退火算法（有向师兄请教），但是在公布的数据上的结果（得分和分配效果）都是一样，为了稳妥起见（也是增加逼格），最终使用的是退火算法。
三、 遇到的问题
对于一直在Visual Studio 上进行程序调试的小白来讲，对于在Linux下进行编译，虽然觉得这是必要的，但在内心里还是很抗拒的，就像熟悉了MATLAB之后再去使用其他IDE一般。庆幸的是，VS2017可以编辑、编译、调试Linux上的C++、python程序，进行跨平台的开发。具体操作请参考：
https://www.cnblogs.com/xylc/p/6533716.html?&from=androidqq
2. 数据去噪
刚开始并未对数据进行有效的处理，直接将所有数据拿进去使用了。后来在QQ交流群中注意到有人在谈论数据去噪问题，官方给出的数据集中是有一些噪点的。
3∂原则
如果数据服从正态分布，在3∂原则下，异常值为一组测定值中与平均值的偏差超过3倍标准差的值。如果数据服从正态分布，距离平均值3∂之外的值出现的概率为P(|x-u| > 3∂) <= 0.003，属于极个别的小概率事件。
如果数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述。即，使用Z-分数（Z-score）进行判断，计算每个数据的Z-分数。
样本中每个数据x - 样本平均数u，除以样本标准差δ，即可以计算每个数据的Z-分数。Z-score的值应该为【-3，+3】，超过该值的存在为异常值的可能，需要进一步判断。
在这里，我们认为数据符合正态分布，将距离平均值3∂之外的数据点视为噪点，并用前一个位置和后一个位置的平均数进行填充。
3.评分规则
有关用例的评分规则部分之前一直没有好好看过，一直在急急忙忙的作比赛码代码，比赛末端，在方法上已经没有好的想法突破之际，我们终于开始静下心来研究评分规则，希望在这上面找到一些提高分数的突破口。
在step4中，得分 = 预测精度 * 资源利用率。那么，处理好预测精度和放置利用率之间的平衡也很重要，假如说，每个服务器可以放置5个虚拟机，预测到16个虚拟机，就会形成有一个服务器只放置1个虚拟机，造成了资源容量浪费的情况，拉低了整体的资源利用率，尽管在预测精度上可能更加准确了，但是拉低了整体的评分。所以，在某些情况下，可以牺牲部分预测准确度以达到更高的资源利用率。
所以我们在最后，增加了一个对最后一个服务器利用率的判断，如果最后一个服务器的资源利用率<0.3,则不进行放置，同时删除对应的预测的虚拟机。
四、 写在最后——感悟与经验
原文：https://www.cnblogs.com/wyr-123-wky/p/11068433.html