上一篇我們成功以把Opotaplanner規劃引擎下載回來，並把它的示例運行起來，簡單解析了一下它的Cloud balance示例。這一篇我們這些示例的源代碼導入到Eclipse中，看看它在後臺是怎麼運行的。
一、推薦使用Maven
在上一篇，我們已經從Optaplanner的官網下載了它的壓縮包，它裏面幾乎包含了Optaplanner的所有東西，基本上有了這個包，我們離線都可以做一個應用Optaplanner規劃引擎程序出來了。但是如果我們直接使用裏面的核心包來做Java Project是很不明智的；因爲：1.這些包有很多在特殊的場景纔會用到，並不是每個項目都會用到，引入太多浪費空間。2. 如果Optaplanner引擎有版本更新了，你又想使用的話，那隻能重新下載、配置。所以，現在Optaplanner官網通常都是推薦通過Maven的方式來建議項目。關於Maven的用法，大家可以去看一下相關的文章，其實也不復雜的，就是有一些公共的庫幫你管理好了這些你用到的包，你只需要在你的項目裏配置好你需要使用的包，剩下的就是Maven自己把需要的包括下載到你本地，並自動匹配版本了，當有Optaplanner有版本更新的時候，你所使用的包也可以更新爲最新版本，而無需人工下載。所以，在這裏，我們都是以Maven項目的方式來建立Optaplanner的示例源碼，在以後的Optaplanner相關的演示中（稍後會有一篇文章會編寫一個最基本的Hello world程序，也會通過Maven項目實現）.
二、Optaplanner的Hello word
這一篇裏面我們就從Optaplanner所有示例程序中的“Hello word”開始，因爲Optaplanner面對的是規則問題，所以並沒辦法像學習一門新語言的入門教程一下，以打印一個Hello world信息出來作爲第一個程序，畢竟它是個規劃引擎，是用來對一系列對像進行規劃的。所以我們就從它的說明文檔裏最簡單的一個示例Cloud Banacing開始。關於這個示例的說明，在上一篇文章裏，我們把它的所有示例程序跑起來的時候，重點講解過它，這裏就概述一下，讓大家對這個示例有個大概的瞭解。大家可以打開《OptaPlanner - 把example運行起來（運行並淺析Cloud balancing）》這篇文裏看它在程序裏的具體呈現方式。簡而言之，Cloud banacing就是模擬在雲端有很多任務，需要根據CPU, 內存及帶寬的要求，分配到不同的計算機上去執行，在滿足了每個任務的基礎上，還需要實現最省計算機資源的原則。這就是典型的資源規則問題了，大家可以擴展到供應鏈各個環節中的場景，例如APS（Advanced Planning and Scheduling, 高級計劃與排程）中，如何將任務按一定的要求分配到指定的車間、產線甚至機臺、工位上，並實現成本最低，或效率最高，或資源平衡等要求。
三、導入示例源碼並試運行
接下來我們就一步步把源代碼都導進Eclipse裏慢慢分析一下，如果要實現一個規則程序，至少需要用到Optaplanner哪裏功能，需要建議哪些對象和規則。在一上篇裏，我們已經下載了Optaplanner的發佈包了，它裏面包含了Optaplanner引擎的所有東西，包括可以直接使用的字節碼程序，源代碼，用戶手冊（包括所有API的Java Doc）,所有示例程序和所有示例程序的源代碼.這裏，我們就以Mavin Project爲基礎，把這個發佈包裏的示例程序的源代碼導進來，然後再從這些源代碼裏去看看它的基本運行步驟和所需的對象和規則。
1. 創建workspace
創建一個文件夾作爲這些試驗的workspace.接下來我們的所有示例源碼都放在這個文件中進行導入、運行、調度並修改。
2. 解壓示例源碼
把示例源代碼解壓到workspace文件夾中，以便下一步把它作爲maven項目導入，注意，需要將optaplanner-distribution-7.6.0.Final\examples\sources整個文件夾解壓到workspace文件夾中去，因爲這個文件夾裏包含了示例源代碼，用示運行示例用的數據文件,還有一些資源文件。source文件夾下面有個pom,xml文件，表示它是一個maven項目。
3. 導入示例源代碼
在eclipse中，選擇菜單File -> Import, 在彈出的Import對話框中，選擇"Existing Maven Projects",(可以在Select an import wizard下面的文檔框中輸入maven來快速定位你們導入的項目，輸入maven，就會過濾出maven相關的項目），選擇“Existing Maven Projects”，點擊"Next", 在"Import Maven Projects"對話框中，通過"Browser"按鈕定位到剛纔解壓的sources文件夾去，Root Directory即會顯示該位置，並在下面的Projects列表中，顯示該文件夾下的pom.xml文件，選中該pom.xml文件，並選中“add projects(s) to working set”，點擊Finish。eclipse即會把程序導入,並在sources文件夾(即與pom.xml文件同一個地方)中生成.project文件。即表示項目導入成功。
4. 更新依賴包。
項目導入後，通常eclipse會自己檢測項目中依賴的包是否都存在，若不存在會自己下載。如果eclipse沒有自動下載（通常幾秒鐘後會檢查到並下載），就點選一下菜單File -> Refresh 刷新一下。你們的電腦如果是第一次導入Optaplanner的項目，將會有一個比較長的下載依賴包過程，視下載速率而定。通常會顯示更新進度。完成依賴包下載後，eclipse還會原始的項目信息，爲源創建好各種包。即恢復原來的包信息.
5.試運行
我們先試一下，看看我們的導入的源代碼是否都已經正確，所需的依賴包是否都已經完成下載並更新。找到整個示例的入口類 - OptaPlannerExamplesApp.java. 右擊它，在彈出菜單中，選擇Run As -> 2 Java Application. 稍等片刻，程序就會跑起來了，效果跟上一篇我們直接通過批處理文件運行起來的效果一樣，那麼就表示我們已經成功把Optaplanner的所有示例成功導進eclipse了。
四、分析Hello world源碼
下面，我們着重分析一下它的Cloud Balancing示例，它的，在包org.optaplanner.examples.cloudbalancing.app下，有一個CloudBalancingHelloWorld.java類。這個就是Optaplanner最基本的入門示例了。我們直接看它的代碼，可以看到要使用Optaplanner需要最基本的三個步驟，分別是創建Solver對象, 創建被規劃的對象，啓動solve()方法，solver方法的返回值就是一個已經規劃好的方案了.代碼如下：
1 public static void main(String[] args) { 2 // Build the Solver 3 SolverFactory<CloudBalance> solverFactory = SolverFactory.createFromXmlResource( 4 "org/optaplanner/examples/cloudbalancing/solver/cloudBalancingSolverConfig.xml"); 5 Solver<CloudBalance> solver = solverFactory.buildSolver(); 6 7 // Load a problem with 400 computers and 1200 processes 8 CloudBalance unsolvedCloudBalance = new CloudBalancingGenerator().createCloudBalance(400, 1200); 9 10 // Solve the problem 11 CloudBalance solvedCloudBalance = solver.solve(unsolvedCloudBalance); 12 13 // Display the result 14 System.out.println("\nSolved cloudBalance with 400 computers and 1200 processes:\n" 15 + toDisplayString(solvedCloudBalance)); 16 }
第一步：生成Solver對象，代碼的第3行創建一個SolverFactory<CloudBanace>對象，其實也就是它使用了工廠模式，並使用了泛型了。其中CloudBalance是一個由我們定義的Planning Problem對象，被規則的對象都會作爲Planning Problem對象的屬性列表而傳進引擎中，它是Opaplanner的幾大基本對象之一，在這個示例中，第8得就是創建了一個Planning Problem對象，大家可以導航進去看到，創建它的時候，是否爲它的兩個列表(Computer和Process列表)初始化了一些對象。在關於這些基本對象的文章中，將會有詳細的說明.在這一步主要是創建一個Solver對象出來，這個對象是指Optaplanner引擎將會使用什麼算法,以什麼參數，引用哪些規則對Planning Problem進行規劃運算的，在規劃運算過程中，基於什麼原則進行退出等等設置。而這些設置全部可以寫進一個XML文件中，也就是上面代碼中的cloudBalancingSolverConfig.xml了。
第二步：創建將要被規劃的對象，就是上面提到的Planning Problem對象了，在代碼中的第8行實現。
第三步：通過Solver對象的solve方法，對上面創建的Planning Problem進行規劃。這個過程有可能需要一個很長的時間，也有可能是實時規劃的，也可能7 * 24小時都在包（實時規劃）。而對於前一種（非實進規劃），當規劃運算完成後（通常在cloudBalancingSolverConfig.xml文件中會設置規劃的完成條件），會返回一個已經完成了規劃的Planning Problem對象，讀取這個對象裏的規劃實體列表（例如本例中的規劃實體就是Process對象），就得到規劃好的方案了。
以下是這個示例在規劃過程中的Log輸出，它清楚以顯示了每一個規劃步驟，引擎對規劃實體進行了什麼操作。
20:00:47.447 [main ] DEBUG LS step (20378), time spent (14822), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/2), picked move (CloudProcess-21 {CloudComputer-182 -> CloudComputer-74}). 20:00:47.447 [main ] DEBUG LS step (20379), time spent (14822), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-1191 {CloudComputer-164} <-> CloudProcess-674 {CloudComputer-375}). 20:00:47.447 [main ] DEBUG LS step (20380), time spent (14822), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-696 {CloudComputer-360} <-> CloudProcess-945 {CloudComputer-286}). 20:00:47.447 [main ] DEBUG LS step (20381), time spent (14822), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-490 {CloudComputer-298} <-> CloudProcess-1196 {CloudComputer-258}). 20:00:47.447 [main ] DEBUG LS step (20382), time spent (14822), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/10), picked move (CloudProcess-204 {CloudComputer-375 -> CloudComputer-159}). 20:00:47.448 [main ] DEBUG LS step (20383), time spent (14823), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-465 {CloudComputer-136} <-> CloudProcess-621 {CloudComputer-0}). 20:00:47.448 [main ] DEBUG LS step (20384), time spent (14823), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-860 {CloudComputer-393} <-> CloudProcess-29 {CloudComputer-216}). 20:00:47.449 [main ] DEBUG LS step (20385), time spent (14824), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/5), picked move (CloudProcess-57 {CloudComputer-323} <-> CloudProcess-768 {CloudComputer-36}). 20:00:47.449 [main ] DEBUG LS step (20386), time spent (14824), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-934 {CloudComputer-324 -> CloudComputer-246}). 20:00:47.449 [main ] DEBUG LS step (20387), time spent (14824), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/2), picked move (CloudProcess-812 {CloudComputer-198} <-> CloudProcess-1085 {CloudComputer-112}). 20:00:47.449 [main ] DEBUG LS step (20388), time spent (14824), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/1), picked move (CloudProcess-883 {CloudComputer-41} <-> CloudProcess-1180 {CloudComputer-237}). 20:00:47.450 [main ] DEBUG LS step (20389), time spent (14825), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/6), picked move (CloudProcess-477 {CloudComputer-376} <-> CloudProcess-713 {CloudComputer-197}). 20:00:47.450 [main ] DEBUG LS step (20390), time spent (14825), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-693 {CloudComputer-311 -> CloudComputer-342}). 20:00:47.450 [main ] DEBUG LS step (20391), time spent (14825), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-328 {CloudComputer-186} <-> CloudProcess-520 {CloudComputer-59}). 20:00:47.453 [main ] DEBUG LS step (20392), time spent (14828), score (0hard/-519420soft), best score (0hard/-518110soft), accepted/selected move count (1/3), picked move (CloudProcess-203 {CloudComputer-103} <-> CloudProcess-745 {CloudComputer-112}).
至此，我們已把Optaplanner的示例程序全部導入到eclipse並跑起來了，也簡單地介紹過一下它的hello world示例，可能大家還是會有些疑問，到底它是怎麼執行得的，它做了些什麼，要理解這些問題，就真的需要從需求開始，再理解一下Optaplanner的規劃模型，最後結合一些示例才能說得清楚了。在接下來的文章中，我將會以一個個自己想出來的簡單示全，逐步對上述的問題進行講述。過程不再一次過寫太長的內容了，會在每篇文章裏介紹幾個相關的概念。好讓大家更容易理解，更容易上手。
PS: 其實在導入並試運行過程中，使用7.6.0.Final版本的代碼會出現一個異常的，剛好今天發現有7.7.0.Final發佈了（好快喔），就下了最新的源碼，那個異常消失了。大家可以注意一下，下載7.6.0.Final的示例源碼不一定能跑成功喔，
原創不易，如果覺得文章對你有幫助，歡迎點贊、評論。文章有疏漏之處，歡迎批評指正。
歡迎轉載，轉載請註明原文鏈接：http://www.cnblogs.com/kentzhang/p/8709679.html
如果對此大家有何建議，歡迎大家加我企鵝一起探討：12977379或V信：13631823503。
其實 Optaplanner規劃引擎不需要對Java過份精通即可使用,因爲它使用到的都是Java最基本的知道，但還是需要有基本的Java知識才行，希望大家找我研究討論時，如果Java, Maven等方面仍接觸較少，請大家先行自補該方面的知識，本猿暫時只能跟大家探討Optaplanner, Drools的應用，而Java相關的知識，恕無法提供有效的幫助，畢竟本猿也只是個Java新手。先謝了。
End.
我的博客即將入駐“雲棲社區”，誠邀技術同仁一同入駐。
https://yq.aliyun.com/u/kentzhang