引言
系统运行的表现通常会受到多种参数变量的影响。参数取值的两两组合，其可能的组合数是非常大的。如何比较好且快速地找到合适的参数呢？今天要讨论的就是使用优化技术来试图解决这样一种问题。由于python对计算和算法提供了很好支持，本文采用python来进行问题的描述和解决。
问题描述
在如下图所描述的服务模型中，分为交易层-创建需要处理的交易任务，服务层-异步处理交易任务。其中，交易层需要配置交易处理的并发数dealconfig，用来控制创建交易任务的效率；服务层需要配置处理交易任务的并发数serverconfig，用来控制处理交易任务的效率。
所以我们需要找到一组dealconfig、serverconfig的配置，定义如下：
configs=['dealconfig','serverconfig']
使得系统运行是良好的，并且知道在这组配置下，打印系统预期的运行情况：
def printsolution(vec):
print configs[0],vec[0],dealcount(vec[0])
print configs[1],vec[1],servercount(vec[1])
其中vec代表配置项的一组可能的解，例如[20,34]，dealcount()用于计算在当前交易并发配置时，交易创建的预期tps（dealtps），servercount()用于计算在当前服务并发配置时，交易处理的tps（servertps）。接下来我们就要确定一下这两个函数。
确定配置项与TPS之间的关系函数
通过《构建自动化性能测试系统的实践》的方式，我们很容易构建在不同配置项下的压力测试，进而得到不同配置项下的tps数据：
例如：dealconfig与dealtps数据：
从走势图，我们可以把数据分为3段：[0,70],[70,100],[100,150]，使用分段线性拟合来确定dealcount()函数。
python的线拟合代码如下：
import numpy as np
def get1function(x,y):
z = np.polyfit(x, y, 1)
print z
z即为一元方程的系数。
对于x在[0，70]，y=200x
对于x在[70，100]，y=14000
对于x在[100,150]，y=-77x+21476
所以，我们可以得到dealcount()方法如下：
def dealcount(cno):
if cno <= 70 : return 200*cno
elif cno >70 and cno <= 100: return 14000
else : return -77*cno + 21476
对于serverconfig与servertps数据：
采用分段线性拟合后，可以确定servercount()函数：
def servercount(cno):
if cno <=30 : return 4.9*cno - 1
elif cno >30 and cno <= 50:return -0.25*cno+148
elif cno >50 and cno <= 80: return -0.45*cno+46
else:return 10
这两个函数的参数：cno应落在[0,150]。
成本函数
在使用优化算法时，需要比较那种配置项下的成本是低，用来确定出合适的配置。成本函数要求返回的值越大说明成本越高，该方案越差。在本例中，考虑的成本因素有：
1、dealertps越大越好，且若是小于10000，则成本相应升高
2、servertps越大越好，且若是小于100，则成本相应升高
3、dealertps与servertps同样重要，分值提现应该在一个数量级上
基于这三点考虑，构造的成本函数如下：
def configcost(vec):
dcount = dealcount(vec[0])
scount = servercount(vec[1])
cost = -(dcount + scount*100)+(10000-dcount)+(100-scount)*100
return cost
优化算法
常见的优化算法：随机搜索、爬山法、模拟退火算法、遗传算法等【1】。优化算法至少需要传入参数值域，成本函数，输出一组解。这里以模拟退火算法做个例子，代码如下：
模拟退火的实现：
def annealingoptimize(domain,costf,T=10000.0,cool=0.95,step=1):
vec=[random.randint(domain[i][0],domain[i][1]) for i in range(len(domain))]
while T>0.1:
i=random.randint(0,len(domain)-1)
dir=random.randint(-step,step)
vecb=vec[:]
vecb[i]+=dir
if vecb[i]<domain[i][0]:vecb[i]=domain[i][0]
elif vecb[i]>domain[i][1]:vecb[i]=domain[i][1]
ea=costf(vec)
eb=costf(vecb)
if (eb<ea or random.random()<pow(math.e,-(eb-ea)/T)):
vec=vecb
T=T*cool
return vec
其中domain表示值域，根据之前的测试数据，应在[0,150]，定义如下：
domain= [(0,150) for i in range(len(configs))]
costf表示成本函数，即为configcost()
运行
自此，我们先后确定了配置项与tps之间的关系函数，成本函数、优化算法。现在只需要将其运行起来即可：
s=annealingoptimize(domain,configcost)
print configcost(s)
printsolution(s)
得到：
-23150.0
dealconfig 39 7800
serverconfig 41 137.75
表示：成本值为-23150，dealconfig为39，dealtps为7800，serverconfig为41，servertps为137.75。
如果运行多次，会得到不同的解，这和成本函数是相关的，如下成本曲线图所示：
通常我们可能取到的是在一定范围内的成本最优的解，而不是整体最优解。
【1】由于超出能力范围，没对算法做具体的说明，见谅。
欢迎批评指正，共同学习进步。
