目前，国内外许多研究人员对资源匹配进行了深入研究，对问题的要素、目的以及本质都有了新的了解，建立了多种资源匹配模型，并给出了相应的算法。孙大为等人针对云计算环境中高效资源调度问题，首先从理论上对云资源调度进行了建模，对用户应用偏好和多维QoS中的用户效用进行了量化，给出了多维QoS优化的目标函数。结合具有快速多目标优化能力的免疫克隆算法，提出了一种云资源调度优化算法。根据应用偏好信息为抗体分配偏好优先级，据此进行抗体的免疫克隆操作，提高抗体免疫基因操作的预见性，改善了向最优解的高效收敛能力。实验结果分析表明，该算法能改善云资源调度系统的可用性、负载均衡离差、有效时间等方面的性能，满足了云计算环境的实际需求。CHIANG等人采用遗传算法对任务资源的匹配进行了分析。高一聪等人针对云制造中云制造服务资源匹配映射多种模式并存，云制造服务资源与云制造资源需求间相互影响且映射关系复杂，导致缺少有效云制造服务资源匹配方法。在综合考虑云制造资源需求间相互影响的基础上，提出了云制造服务资源匹配模型，利用模糊积分度量用户云制造资源需求与云制造服务资源间的匹配程度，提出了基于模糊积分的云制造服务资源匹配方法。通过基于模糊积分的云制造服务资源匹配方法，计算获得云制造服务资源对云制造资源需求的匹配度，为云制造中的终端用户提供按需、自助、敏捷的云制造服务资源智能匹配技术。最后，以中小模具企业云制造平台某型号多工位级进模具排样图设计应用为实例，证明了文中方法在工程应用中的正确性与高效性。高翔等人针对服务机器人如何选择利用多种分布式资源提供的多样服务这一关键问题，提出了一种基于功能匹配的服务资源选择机制。首先，在概念匹配和结构匹配的基础上，考虑输入与输出间的不同，设计了需求与服务间新的通用匹配规则，将服务的功能模型与机器人的任务需求进行匹配；其次，给出了服务模型与需求模型间的相似度定义，基于该定义筛选出符合要求的服务并进行排序，形成可直接调用的候选服务列表，实现机器人按任务需求搜索资源的自动机制。实验结果表明，在具有分布式智能资源环境中，机器人能够依据该算法准确找到合适的资源服务以完成给定的任务。朱春鸽等人为了解决虚拟计算环境中的资源合理调度问题，提出了一种基于信任的资源匹配模型——资源滑动窗口模型。首先对资源的静态属性进行分类；然后依据基于时间窗的贝叶斯信任模型对资源节点进行评价，同时考虑资源的负载，动态划分其实时性能；最后综合评估静态和动态属性，确定调度资源分配。该模型为不同任务和属性的资源调度策略奠定了基础，实现了“合适的资源服务于合适的任务”的目的。仿真实验表明所提的模型相对传统的调度算法，具有更高的系统任务执行成功率和资源利用率。李成海等人为实现智能、高效、便捷的云制造服务资源搜索，提高服务资源需求与制造服务资源的匹配精确度，在分析现有服务资源属性检索技术和云制造服务资源特点的基础上，提出一种基于属性匹配的云制造服务资源搜索方法，并建立了其中云制造服务资源属性标准化分类描述模型；设计了服务资源同义词字典集和属性字典集，并以此为基础构造了关键词规范化算法和参数化的属性匹配算法。通过算法复杂度分析和实例验证表明，该方法具有云制造服务资源的高效准确匹配的优势。

依据测试资源匹配原则设计了测试任务与资源匹配的具体流程，如图5－11所示。

图5-11　测试任务与资源匹配流程

首先通过基础匹配剔除不满足任务刚性偏好的测试资源，生成待选测试子资源集合AResource，然后通过辅助匹配分析针对待选子资源进行排序，在考虑匹配关系和资源损耗的基础上，选取最匹配的测试子资源。测试资源匹配算法的具体匹配步骤如下所示。

步骤2　资源描述：汇总系统内部所有可用资源得到测试资源集合Resource；令i＝1，以子资源为单位分解Resource中的资源resource1，得到子资源集合resource1＝｛r1，1，r1，2，…，r1，j，…，r1，m（1）｝；令j＝1，基于特征属性描述子资源r1，1＝｛p1，p2，…，pk，…，pK｝。

步骤3　任务／资源匹配：在匹配矩阵RMM中，子任务ST1，1依次和Resource中的所有子资源进行属性匹配，得到ST1，1与子资源间的匹配关系MR。

步骤4　基础匹配：筛选满足子任务刚性偏好的子资源，并记录于文档1；针对任务Ta1中所有子任务ST1，j′，详细描述其与Resource中所有子资源的匹配流程，分为三种情况。

（1）全部匹配成功，系统内所有子资源均满足ST1，j′刚性偏好，如图5－12所示。

图5-12　测试资源基础匹配分析——全部匹配成功

（2）全部匹配失败，系统内所有子资源均不满足ST1，j′刚性偏好，如图5－13所示。

图5-13　测试资源基础匹配分析——全部匹配失败

（3）部分匹配成功，系统内部分子资源满足ST1，j′刚性偏好，如图5－14所示。

图5-14　测试资源基础匹配分析——部分匹配成功

步骤5　待选子资源汇总：汇总文档1中所有子资源得到子资源集合AResource，其中与ST1，1欠匹配的子资源事先经过调理，以满足子任务刚性偏好的量程。

步骤6　辅助匹配：针对AResource中待选子资源，从AR1开始，一直到ARL结束。如果L＝1，即子资源数目为1，进入步骤7；如果L＞1，进入筛选方案。在辅助匹配中共有两套方案可供选择。(www.daowen.com)

方案1　适用待选子资源数目较大、种类较多的情况。

①从AR1开始一直到ARL结束，依次经过测试成本TC、可靠性RR和复杂性RC这三类特征属性的筛选，并将剩余子资源记录于文档3，其中三类属性在筛选中的先后顺序和阈值依据实际测试情况和经验而定。

②综合分析、比较剩余子资源，并将结果记录于文档4。

③首先依据文档4中剩余子资源匹配函数值进行排序，然后依据匹配关系筛除与子任务欠匹配的子资源，最后依据损耗，筛选出损耗最小的子资源作为最终结果并记录于文档2。

方案2　适用待选子资源数目较小、种类较少的情况。

在部队日常的装备保障过程中，为提高任务与资源的匹配效率，直接针对AResource中所有待选子资源的三类特征属性进行量化，并将计算结果记录于文档4；采用方案1中步骤②和③针对文档4中剩余子资源进行排序。

步骤7　结果输出：将筛选出的最优子资源作为最终匹配结果记录于文档2，完成针对子任务ST1，1的资源匹配，进入ST1，2的资源匹配环节，方法同ST1，1，一直到子任务STN，N（N）的资源匹配完毕为止。

基于上述具体步骤设计基于匹配函数的测试资源匹配算法，得到算法的具体开发思路，伪代码如图5－15所示。

图5-15　匹配算法开发思路