文章內容來自互聯網，不做好壞評價。只對相關技術做以梳理、總結、學習。

總結技術內容之前，先看看這種“分單引擎”是應用在什么樣的場景中的，并提出問題。

首先，它應用在一個平臺之上，平臺粘合與匹配了多方的需求（Uber/滴滴 -- 乘客與司機，外賣 -- C端用戶、商家與騎手）。平臺以積極構建網絡效應為目的 -- 需求越多，供給就越多。

積極的網絡效應

其次，越大的規(guī)模，越有助于平臺來優(yōu)化需求與供給之間交互的價值單元，如，Uber/滴滴對于乘客提供更短時間接乘的司機；外賣對于用戶提供配送時效更短和更好服務體驗的騎手，而這也是平臺的價值。平臺通過收集乘客的需求數據（包括，歷史上這個區(qū)域的數據），司機的數據（車型、位置、速度等），并幫助過濾和篩選最優(yōu)的司機來滿足乘客的需求。

智能派單

第三，在平臺之上，隨著規(guī)模的增大，網絡效應會發(fā)生變化。準確的說，需要構建積極的網絡效應，而持續(xù)不斷的調節(jié)消極的網絡效應。比如，更多的乘客打車需求會帶來司機接乘時間的變長，從而又使得乘客的體驗下降。近些年滴滴推出的 -- 快車、專車、順風車、拼車等等模式，無不是通過不斷的調整產品和運營策略以調節(jié)供需之間的平衡在做努力，細分并開拓更多的場景，以滿足需求。不同的需求與供給，對于后端的分單引擎來說，帶來的是調度模式和策略的復雜化、計算量的指數增長。

消極的網絡效應

第四，“分單引擎”面對的不是一次只求解“單一需求與單一供給匹配”的最優(yōu)解問題，而是“多個需求與多供給匹配”之間的全局的最優(yōu)解問題。這里面的優(yōu)化目標，不僅需要考慮某一個時刻乘客的體驗問題（如，接乘時間指標、平臺響應時間（有司機接單）指標），也要考慮司機的情況（價格等指標），以及未來一段時間內其他更多乘客和司機的需求供給匹配的問題，即：站在全局視角，盡量去滿足盡可能多的出行需求，保證乘客的每一個叫車需求都可以更快更確定的被滿足，并同時盡力去提升每一個司機的接單效率，讓總的接駕距離和時間最短。

乘客與司機之間的匹配

仔細拆解問題來看，這里面又分為如下一些問題：

（從算法策略角度 & 問題規(guī)模 - 如果考慮全國的規(guī)模，每次匹配幾千乘客與司機，每天幾千萬單）

- 是否單單匹配？如果不是，而進行批量分單匹配的話，先拿出哪些乘客訂單進行匹配？多久匹配一次？并以多大的batch size進行乘客訂單和司機進行匹配？

- 打分和分派，如何考慮業(yè)務約束。比如，等級高的司機比較等級低的司機有更多的派單機會；某類司機只接某個區(qū)域范圍內的單；特定場景下，乘客單可以在不同司機類別之間跨層轉（快車單給專車）；

（從系統角度）

- 在匹配計算時，分單引擎所使用的機器資源該如何分配？全國的訂單一起匹配？還是按城市/地理區(qū)域錯開進行匹配？

- 匹配時，所需要的數據和計算任務量，該以哪種計算模型計算才能更好的利用資源？

- ... ...

上述要點都是關鍵的問題，其背后也隱藏著諸多其他相關復雜的制約和影響因素（如性能指標、資源利用率、系統穩(wěn)定性、數據的一致性和正確性）。待后續(xù)不斷的拆解，補充。