算法封装可重构平台

‘壹’ （转）物流优化算法处理流程及算法服务平台建设

转自：吉勍Personal

http://www.jiqingip.com/page9001?article_id=94

算法处理流程

物流方向的大多数业务算法处理流程基本是按照模型建立、算法开发、算法测试流程进行，具体步骤如下：

模型建立

大多数优化问题都能构建成线性规划、非线性规划或混合整数规划等数学模型。这些模型需要根据实际业务确定，模型主要包含以下因素：

1）  优化目标

2）  决策变量

3）  约束条件

算法开发

模型的求解可根据实际的业务情况（问题复杂程度、数据规模、计算时效要求）等采用合适的精确算法和近似的最优化算法进行求解。

模型精确计算

模型精确求解有一些商业和开源的求解器，如下：Gurobi、Cplex、SCIP、OR-Tools、Glpk等，可以根据实际情况选择合适的求解器。

最优化算法计算

最优化算法也有很多，比如变邻域搜索算法、自适应大邻域搜索算法、禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法等，可以根据适用情况选择。

业务相关开放项目计算

解物流领域的某些项目可以利用一些开放性的项目来求解，如求解车辆路径问题的jsprit、求解排程类问题的optaplanner等，这类问题在模型建立好之后可以调用这些开放性项目来求解。

算法测试

生产数据测试

物流方向的项目基本都是优化类型的项目，每个项目对应的业务环节一直在运行，涉及到的优化问题或者是业务系统简单处理，或者人为计算，对于算法有效性的检测可以把这部分生产数据独立抽离出来，经过优化算法计算之后跟原有系统数据进行相关的对比，来评价算法的优化效果。

仿真测试

物流的优化不像互联网应用可以采用流量灰度的方式进行直接的验证，并且物流系统的链路非常长，单点的改变可能引起上下游的变化。在决策优化的过程中需要同时使用优化求解及仿真技术来验证或提供决策依据。仿真测试验证大致需要以下过程：

1）  定义仿真模型确定绩效指标体系

2）  输入算法结果数据到仿真模型进行仿真计算

3）  根据仿真模型的仿真结果计算绩效指标，以反馈算法的优化效果。

算法服务平台建设

实际业务中的很多应用场景都可以抽象成同一类算法问题。算法在解决不同应用场景业务问题时，相关模型、处理流程及计算方法也都大致相同，因此可以对这类问题的算法，按照其处理流程从业务中剥离出来，封装好算法的输入、输出及计算逻辑，构建统一的算法服务平台。

VRP算法服务

比较经典的VRP问题就会应用到很多业务场景，即时配、大件配送、冷链配送、门店补货等。这些业务场景对于大型零售商来说是比较常见的，因此构建可灵活配置的VRP算法服务平台，可达成一次构建，多场景应用的效果。

排班算法服务

排班问题也是一样，无论是生产线工人排班、司机排班、客服排班还是门店工作人员排班，这些都是排班问题应用的业务场景。通过构建可灵活配置的排班算法服务平台，可解决多个业务场景的排班问题。

装箱算法服务

装箱问题也有着丰富的应用场景，无论是商品配送的车辆装箱、运输网络的车型推荐及包装作业的包材推荐都是装箱问题的业务场景。构建灵活的装箱算法服务平台，可通过配置有效的解决各业务场景的装箱问题。

运筹规划算法服务

无论是上面提到的一些算法服务还是其他组合优化问题，都可以构建成运筹优化问题来解决。大家熟知的google or-tools就是组合优化问题的工具包。我们也可以根据自身的业务特点构建适合业务场景的运筹规划算法服务，底层可以调用不同的求解器，可以是商业求解器，如gurobi、cplex等，也可以是开源求解器，如scip、glpk等；也可以是一些最优化算法，如邻域搜索等。

‘贰’ 澜起科技“赶考”：预计估值下调100亿，对Intel承诺回购

科创板上会节奏趋于常态化。5月30日，澜起 科技 披露了第三轮问询的回复。

时隔四天，也就是6月3日澜起 科技 再披露上会稿，即将“赶考”11日举行的科创板第3次上市发审会。

作为科创板的芯片独角兽，“重量级选手”澜起 科技 的上会颇受关注。

三轮问询过去，从一开始的49个问题到6个问题，从核心技术到信息披露，上交所审核中心的问题全面且深入。

新浪 财经 注意到，澜起 科技 的发行估值从最初的220亿元下调至120亿元。

此外，从技术层面以及公司独立性上，澜起 科技 与Intel的关系被多次问询。而最新回复显示，公司2019年业绩存在下滑风险。

预计估值下调100亿元

招股说明书显示，澜起 科技 成立于2004年，2013年9月在美股纳斯达克上市，发行价为10美元/股。

一年不到，公司就从美股私有化退市，私有化的价格为22.6美元/股，私有化金额总计6.93亿美元，折合人民币47.8亿元。

从美股退市后，澜起 科技 在2018年完成股份制改革，继而递交了科创板招股书。

这期间，澜起 科技 发生过多次增资扩股和股权转让。

从时间上来看，最近一次增资发生在2018年11月末，当时Intel Capital以1.75亿美元的价格认购10168万股新增股份，SVIC No． 28 Investment以0.2亿美元的价格认购1130万股新增股份。

此次交易澜起 科技 整体估值为17.51亿美元，折合人民币120.6亿元。

此时，正是澜起 科技 冲击科创板的四个月前，英特尔搭上了“突击入股”的班车。

值得关注的是，在这笔交易发生之前，澜起 科技 第二次股权转让的整体估值仅51.34亿元，仅6个月公司增值率135%。

不仅如此，保荐机构还将发行预计市值定为不低于220亿元，半年时间，澜起 科技 的估值较第六次增资高出100亿元。

发审委要求澜起 科技 说明估值迅速增长的原因，以及中介机构对发行预计市值的评估依据是否充分、评估结果是否谨慎。

澜起 科技 的回复表示，51.34亿元估值对应2017年扣非后净利润的市盈率倍数为18.71，120亿估值对应2018年扣非后净利润的市盈率倍数为17.18，两次增资的市盈率倍数基本一致。

至于估值迅速增长有两个原因，一是公司业绩增长较快，二是投资者认可公司业务价值及未来业绩增长。

而220亿的发行预计市值，保荐机构分析师参考了同行业上市公司汇顶 科技 和兆易创新的平均市盈率78.18和平均市销率12.53。

按照这两种估值方法，计算出澜起 科技 的估值分别为576.09亿元、和220亿元。

并且表示公司还未上市的增资与股权转让价格与上市后发行估值不具备可比性，发行预计市值理论上也不能低于最近一次增资价格。

但这一说法显然没有说服上交所审核中心。

其在第二次问询中问道，Intel投后估值17.51亿美元（120亿人民币），发行人预计市值不低于220.1亿人民币，Intel入股时是否已经有明确的上市预期，入股价格是否公允。

这一次，澜起 科技 否认短期内存在上市预期，不得不搬出上市公司收购同行业公司的估值水平，以及Intel同期投资同行业其他项目的估值水平，市盈率在15.87-18.57倍，不存在差异，具有公允性。

Intel投后的估值120亿算是解释完了。

至于220亿元的发行预计市值，在澜起 科技 的第二次回复中，保荐机构将发行预计市值更新为不低于120亿元。

对此有投行人士表示，第一次预计估值给了一个很高的估值，但是理由解释的很牵强。

鉴于之前科创板保代擅自修改问询问题的案例在先，第二次选择不低于最后一轮投资的投后估值这种最安全的说法，是为了申报通过打的安全牌。

与Intel的关系被多次询问

就在Intel入股的同一年，澜起 科技 对Intel的采购突增。即是客户又是供应商，同时还是股东的情况下，Intel与澜起 科技 的复杂关系被科创板发审委三次问询，这既包括技术层面也包括公司独立性。

2018年，澜起 科技 对Intel的销售额为560万元，采购额突增2709万元。这与澜起 科技 的另一项产品津逮服务器CPU有关。

报告期内，澜起 科技 与清华大学、Intel合作研发津逮®服务器CPU，该产品需要向Intel采购通用CPU内核芯片，成本占比在90%左右。

目前尚在研发阶段，销售收入主要为工程样品，占比不高。此次23亿募资项目，将有7.5亿元用于该产品的研发。

基于这个背景，澜起 科技 与Intel产生了采购的关联交易，未来计划提高津逮服务器CPU以及混合安全内存模组的销售规模。

这就存在两个方面的问题。

一方面，研发成果归属及技术依赖性问题。澜起 科技 负责整体模块及部分芯片的设计，清华大学提供可重构计算处理器（RCP）的算法，Intel提供其通用CPU内核芯片，并由澜起 科技 委托第三方进行芯片制造、封装和测试。

研发成果津逮®服务器CPU品牌及产品产权归澜起 科技 所有。至于知识产权的所有权，则按照共同开发的三方分配，自主开发则单独享有所有权。

另一方面，Intel通用CPU内核芯片在津逮®服务器CPU成本中的占比较高。

随着津逮®服务器CPU及其平台技术升级项目实施，关联交易的规模将扩大，澜起 科技 对Intel是否会形成重大依赖。

并且，Intel作为澜起 科技 的股东，上述募投项目实施后，预计新增与Intel关联交易的规模，交易定价是否公允？是否对澜起 科技 的独立性产生不利影响？

2018年Intel增资入股时，双方就公司治理、股份转让限制、优先购买权、共同出售权及其他方面的权利进行了约定。Intel享有包括重大事项一票否决权及回购权等权利。具体协议如下：

i． 财务信息知情权（合理时间内获取年报和季报的权利）；

ii． 指派董事会观察员事项（有权委派一名董事会观察员列席董事会，但无任何表决权）；

iii． 其他保护性事项（享有否决权），即未经Intel Capital同意，公司不得从事如下行为：

a． 导致公司解散或清算的行为或为债权人利益提起破产、破产管理等程序；

b．导致公司控制权变更的行为或全部或实质资产的出售、抵押或转让的行为；

c． 根据公司章程需要经公司董事会同意的关联交易行为；

d．对公司经营范围进行变更且该变更将对公司履行商业协议产生不利影响。

澜起 科技 将上述称之为保护投资人自身的投资利益的“消极保护性”权利，并强调这不属于对赌协议。

双方约定，如果2021年5月公司还未完成上市，上述股东有权要求公司按其投资成本回购股份。

若成功上市，Intel享受的相关保护性权利也随之终止。

从这个角度看，Intel财务投资人的角色似乎很明确。但在报告期内，Intel定期向澜起 科技 支付研发支持费用，合计金额约为210万美元。

双方的交易往来，澜起 科技 需要在回复中详细解释。

下游客户出货量下滑

除此之外，根据澜起 科技 最新回复，公司2019年面临下游客户出货量下滑的风险。

一季度财报显示，澜起 科技 下游客户出货收入均出现了20%以上的下滑：三星电子下滑33.81%，海力士下滑22.24%，美光 科技 下滑27.87%。

三星电子表示受主要客户去库存影响需求疲软，2019年一季度存储类产品收入同比下滑；

海力士的DRAM产品其中单价下滑为主要原因；

美光 科技 主要受移动通信市场季节性需求疲软和市场环境影响，造成DRAM产品单价下跌和销量的小幅下滑。

这与相关行业研究报告的观点一致：从2018年下半年开始DRAM价格进入下行周期，预计DRAM市场在2019年消化库存，并在2020年前后随着5G、AI、大数据的应用推动需求增长。

而在DRAM市场，三星电子、海力士、美光 科技 行业前三名合计市场占有率超过90%。

根据首轮问询回复，这三家也是澜起 科技 的前五大客户。报告期内，澜起 科技 对前五大客户的销售占比分别为70%、84%、90%。

集中度较高的下游客户出货量下滑，对澜起 科技 或产生不利影响。

尽管澜起 科技 表示，公司2019年一季度收入及出货量均同比增长，截至目前未对公司造成重大不利影响。但产业链的传导或存滞后性。

如果DRAM行业景气度进一步下滑或回升不及预期，将有可能导致主要产品内存接口芯片的市场规模同步出现下滑或增速放缓，可能对公司未来业绩造成一定不利影响。

（文/公司观察）

往期回顾

版权说明：如转载涉及版权等问题，请发送消息至公众号后台与我们联系，我们将在第一时间处理！

投稿及商务合作请联系：

[email protected]

‘叁’ 数据智能运用有什么的好处

轻量应用，降低大数据应用成本。平台基于微服务架构搭建，松耦合的方式具有极高灵活性，既能在企业单机服务器部署应用，又能兼容华为云、阿里云、腾讯云等主流云服务器的搭建部署，节省服务器管理运维成本，降低用户应用大数据的负担。
机器学习，提升数据挖掘深度。平台封装业内成熟算法的算子和算法模板，供用户学习应用，自行拖拉拽构建算法模型，借助算法平台的自定义算法模型模式和算法服务发布功能逐步提高用户构建算法的能力，提升数据挖掘深度。
宏桥高科平台以大数据、AI为技术核心，基于微服务架构，构建智能化、通用型、全栈式的数据自助服务平台。通过自助式的功能交互，为用户提供数据的接入、转换、加工、挖掘、建模、呈现、发布等全方位、智能化的产品功能与服务，被广泛地运用到多个领域，包括跨境电商、政务服务、智慧城市、零售业、物流运输及供应链。

‘肆’ 我现在有一C++写的算法程序，我现在想把它封装成库函数，接下来在另外的模块中调用我这个库中的main函数

将声明和实现写在一个XXX.h的头文件中，前提是测试通过并可以成功运行的。然后将你写的这个头文件放到你安装目录的include文件夹里面，再在主函数里面直接调用就可以了，跟调用常见的库函数一样调用。

‘伍’ 基于FPGA的动态可重构实现

算法上不懂，FPGA设计的话，对于规模不大的全新设计，最好采用自上而下的设计方法，即先整体后部分，把整个控制逻辑构思好，画出系统功能框图，分配各个子模块的功能和连接关系，最后用Verilog或vhdl实现子模块，不容易出错。
你现在有了程序，只需在一个原理图顶层文件里调用他们就行了，设置好输入输出和模块间管脚互连，综合、仿真、分配管脚、下载程序。还是找本vhdl或FPGA的书吧，比如altera FPGA设计或xilinx FPGA设计。

‘陆’ 关于虚拟装配中碰撞检测的问题。请问RAPID,OPCODE,QUICKHULL,SWIFT和SWIFT++等算法是基于什么平台的

我也是刚刚接触，Opcode是window的，VC6.0 或者更高7.0，打算用这个做碰撞检测，SOLID是Linux平台的，或者VC5.0，一直没去真的看过，其他的RAPID网上看到过，Opcode两个做过对比，目前只知道这些了。

‘柒’ 可重构计算的可重构计算优点

可重构计算（CGRA）架构本质上是一种空域上的并行计算模式，通过空域硬件结构组织不同粒度和不同功能的计算资源，通过运行过程中的硬件配置，调整硬件功能，根据数据流的特点，让功能配置好的硬件资源互连形成相对固定的计算通路，从而以接近“专用电路”的方式进行数据驱动下的计算(如图1所示)。

所以可重构计算架构芯片具有高性能，低功耗的特点。

‘捌’ 区块链技术的架构模型包含了哪些

金窝窝分析区块链技术的架构模型如下几点：
1、数据层
数据层封装了底层数据区块以及相关的数据加密和时间戳等技术；
2、网络层
网络层则包括分布式组网机制、数据传播机制和数据验证机制等；
3、共识层
共识层主要封装网络节点的各类共识算法；
4、激励层
激励层将经济因素集成到区块链技术体系中来，主要包括经济激励的发行机制和分配机制等；
5、合约层
合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础；
6、应用层
应用层则封装了区块链的各种应用场景和案例。

‘玖’ 可重构计算芯片与其他架构芯片有什么不同，为什么可以做到更高的能效比

可重构计算架构（Coarse-，CGRA），是指能根据变换的数据流或控制流，对软件和硬件结构进行动态配置的计算模式。

CGRA最大的优势就是能通过空域硬件结构组织不同粒度和不同功能的计算资源，通过通过运行过程中的硬件配置，调整硬件功能，根据数据流的特点，让功能配置好的硬件资源互连形成相对固定的计算通路，从而以接近“专用电路”的方式进行数据驱动下的计算(如图所示)。当算法和应用变换时，再次通过配置，使硬件重构为不同的计算通路去执行。一方面，因为没有传统指令驱动的计算架构中取指和译码操作的延时和能耗开销，二是在计算过程中以接近“专用电路”的方式执行，是一种高效而灵活的计算架构，所以在能在算力和能耗上取得很好的平衡，达到更高的能效比。

补充一下与传统芯片的对比：

CPU架构基于通用指令，以时域执行模式进行计算，非常灵活。但是取指，译码开销大，若碰到条件分支预测等，控制代价大。同时，计算过程中时域执行方式下，数据复用率低，频繁访存能耗开销大。

GPU架构采用了基于指令的SIMD执行方式，考虑了比如3D图形处理等通用需求，除了取指，译码代价开销外，还会有高吞吐高带宽设计，在实际AI处理过程中，带宽和资源利用率随着变化大，利用效率低，能耗开销大。

NPU计算架构对特定神经网络进行了定制化，其仍然是基于指令执行的方式，指令读取和译码开销不可以避免，同时，对于没有定制的层，无法很好处理，灵活性受限。CGRA相比NPU能够有10倍以上的性能提升。

FPGA计算架构细粒度位级别，基于查找表的执行方式，硬件可编程，非常灵活。然而，大量细粒度LUT使得内部连线非常复杂，大量基于存储的LUT的存在和互联线，也会耗费大量的功耗。