博客园第一神棍的世界
我说要有光，于是便有了光着身子的上帝
大部分商品上架时间，店主都喜欢使用批量工具在同一时间上架，或者采用均匀分布的方式来把商品散布到每一天的各个时段，以最大化覆盖时间范围为目标！这个方案对于几年前原始的淘宝来说，还是很有效的，因为大部分卖家并不懂得上架时间的重要性，往往集中在一个时间点上架，均匀分布上架时间后确实会比一般的卖家更占优势。
但是，淘宝上已经大量的卖家在采用均匀时间分布上架！作为一个聪明的淘宝店主，你应该很敏锐的发现这意味着什么？
1、上架时间的冲突！！！
上架时间冲突？这是神马一回事？
所有人的宝贝都在几乎相同的时间上架，也就是说宝贝离下架时间也几乎相同！！！假如你是一个几心或一两钻的卖家，别人是四钻甚至是皇冠还有商城卖家，信用度远远超过你，你认为按照淘宝的排序优化原则，你认为你能排在前面吗？肯定不行！！！
2、易售商品不一定能在最佳时机得到展示！！！
不能在最佳时机得到展示？又是神马一回事？
因为上架时间很重要！！！比如根据数据魔方分析女装高峰来访时段是下午15：00~16：00之间，然而如果你的能热销的一款宝贝，不幸被安排到14：00上架，7天后自然也就在14点后下架了，此时到了15:00~16:00的高峰期时，你的商品自动上架了，离下架时间是近7天，额滴神，你明明有可能大量热销宝贝还指望能被人能看到.......
这两点虽然简单，但基本上现在大部分店铺的通病，那么如何解决这个问题？在非常深入了解店铺运营情况的前提下，手工处理是最佳的方案。手工处理几件几十件商品还好，要是有几百上千件怎么办？？？？
半年前当我意识到这个问题时，于是就试图去淘宝上现存的应用，可是没有一个能与我想象中的一样的，于是冲动之下，就开发这个一个可以达到这种目的的应用。
手工指定时间是一件非常麻烦的事，太浪费时间了，如果能有一个自动判断淘宝商品是否热销，是否被热访问，动态分配最佳时间给最有可能卖出的各件商品 。
聚财宝_真正的人工智能决策优化：http://fuwu.taobao.com/serv/detail.htm?service_id=22596
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。
处于AI复兴核心的是一种叫概率性程序的技术，它在旧有AI的逻辑基础上加入统计概率的应用。“它是两种最强大的理论的自然统一，这两种理论已经被 发展来理解和推导这个世界。”史都华·罗素说，他是加州大学伯克利校区现代人工智能方面的先驱。这套强大的综合体终于开始驱散笼罩在AI漫长严冬上的迷 雾。“这肯定会是一个（AI的）春天。”麻省理工学院的认知科学家约什·田纳邦说。
不过，神经网络为新的AI领域构筑了一部分基础。一些继续在ANNs上奋斗的研究者终于意识到这些网络可以被认为是在统计和概率方面对外部世界的重 现。与“突触”和“动作电位”这些生理学上的称呼不同，他们称之为“参数化”和“随机变量”。田纳邦说，“现在，ANNs听起来更像一个庞大的概率模型而 不是一颗大脑。”
然后在1988年，加州大学洛杉矶校区的朱迪亚·珀儿写了一本里程碑式的书《智能系统的或然性推理》，里面详细地描述了AI的全新方案。支持这本书 的理论是汤玛斯·贝叶斯提出的一个原理。汤玛斯·贝叶斯 是18世纪的一名英国数学家和牧师，他把以事件Q发生为前提下事件P发生的条件概率和以事件P发生为前提下事件Q发生的条件概率联系起来。这个原理提供了 一个在原因和结果间来回推导的方法。“如果你能对感兴趣的不同事物用那样的方式描述，那么贝叶斯推论的数学方法会教你如何通过观察结果，然后逆推各种不同 起因的可能性，”田纳邦如是说。
新方案的关键就是贝叶斯网络，一个由各种随机变量组成的模型，在这个模型里每个变量的概率分布都取决于其他变量。给定一个或多个变量的值，通过贝叶 斯网络则可推导出其他变量的概率分布，换言之，得出他们的可能值 。假定这些变量表示症状、疾病和检查结果，给出检查结果（一种滤过性病毒感染）和症状（发热和咳嗽），则可给可能潜在的病因赋予不同的几率（流感，很可 能；肺炎，不太可能）。
二十世纪九十年代中期，包括罗素在内的研究员开始开发算法，使贝叶斯网络能利用和学习现有的数据。这很大程度上跟人类基于早期理解的学习方式相同， 新的算法却能通过更少的数据来学习更复杂和更准确的模型。对ANNs来说，这是前进的一大步，因为无需考虑先验知识，可以从头学习解决新的问题。
最近奥地利维也纳召开的联合国全面禁止核试条约组织（CTBTO）大会上，罗素展示了Church语言的表达能力。CTBTO邀请了罗素，因为他们预感到新的AI技术可能有助于监测核爆炸。听过一上午的关于监测地震背景下远距离核爆引发的地震特征、穿过地球的信号传播异常和世界地震站的噪音探测器的演示报告后，罗素开始着手用概率程序的设计(神经信息处理系统前沿，卷23，麻省理工学院出版Advances in Neural Information Processing Systems, vol 23, MIT Press)。他说，“在午饭时间，我已能为整个问题编写一个完整的模型。”，这个模型足足有半页之长。
这类模型能整合先验知识，例如，对印度尼西亚苏门塔腊和英国伯明翰地区发生地震的几率做比较。CTBTO同时要求任何一个系统首先假定发生在地球上 任何地方的核爆几率均等，然后才使用来自CTBTO监测站接收的真实信号数据。AI系统要做的就是获取所有数据，对每组数据最可能的解释作出推断。
挑战就在其中。像BLOG这样的语言是由所谓的通用推理机组成的。已知某个现实问题的模型和众多变量及概率分布，推理机只能计算某种情况的可能性， 例如，在已知期望事件的事前几率和新地震数据下，推断一次在中东发生的核爆。但是如果变量改成代表症状和疾病，那么它就必定能做出医学诊断。换言之，其中 的算法必须是非常普遍的，这也意味着这些算法极其低效。
结果是，这些算法不得不根据每个新问题逐一定制。但正如罗素所说，你不能每遇到一个新问题就请一个博士学生来改进算法，“那并不是你大脑的工作方式，你的大脑会赶紧适应（新问题）。”
这一点让罗素、田纳邦和其他人缓下来仔细考虑AI的前途。“我希望人们会感到兴奋，但不是那种我们向他们推销蛇油（万灵药）的感觉，”罗素说。田纳 邦也有同感，尽管已是一个年过40的科学家，他觉得只有一半的机会在他有生之年见证有效推理这一难题的解决。尽管计算机将运行得更快，算法会改进得更精 妙，他觉得“这些是比登月或者登火星更艰深的问题”。
无论如何，AI团体的意志并没有因此消沉。例如，斯坦福大学的达菲·柯勒正在用概率编程解决非常特殊的问题并且颇见成效。他与同在斯坦福的新生儿学专家安娜·潘和其他同事一起开发了名为PhysiScore的系统，可以预测一个早产儿是否有任何健康问题。这是个众所周知的难题，医生不能作出任何确定程度的预测，“这种预测却是对那个家庭唯一要紧事，”潘回应。
PhysiScore系统把多方面的因素考虑进去，诸如孕龄、出生体重，以及出生后数小时内的实时数据，包括心率、呼吸率和氧饱和度（Science Translation Medicine, DOI: 10.1126/scitranslmed.3001304）。“我们能够在头3个小时内得出哪些婴儿将来会健康，哪些可能患上严重的并发症，甚至是两周后会出现的并发症，”柯勒解释道。
这正是多明戈斯一直对自动化医学诊断抱有信心的原因。其中一个著名例子是“快速医学参考，决策理论（QMR-DT）”，它是一个拥有600种重要疾 病和4000种相关症状模型的贝叶斯网络，其目标是根据一些症状推断可能疾病的几率。研究者已经针对特殊疾病的推理算法对QMR-DT进行微调，并且教会 该系统使用病人的档案。“人们对这些系统和真人医生做过比较，这些系统似乎更胜一筹，”多明戈斯说，“人类对自己的判断，包括诊断，不能保持一致的观点 （态度），而医生们不愿意放弃他们工作中这一有意思的部分是唯一让这些系统不能广泛应用的原因。”
AI领域里的这些技术还有其他成就，其中一个瞩目的例子是语音识别，它已经由过去因经常出错备受嘲笑提升到今天令人惊讶的准确度（New Scientist, 27 April 2006, p26）。现在，医生可以口述病人档案，语音系统软件会把口述档案转换成电子文档，由此可以减少手写处方。另外，语言翻译也开始仿效语音识别系统的成功之处。
多年来世界各地研究工作者对蚁群算法进行了精心研究和应用开发，该算法现己被大量应用于数据分析、机器人协作问题求解、电力、通信、水利、采矿、化工、建筑、交通等领域。
蚁群算法之所以能引起相关领域研究者的注意，是因为这种求解模式能将问题求解的快速性、全局优化特征以及有限时间内答案的合理性结合起来。其中，寻优的快速性是通过正反馈式的信息传递和积累来保证的。而算法的早熟性收敛又可以通过其分布式计算特征加以避免，同时，具有贪婪启发式搜索特征的蚁群系统又能在搜索过程的早期找到可以接受的问题解答。这种优越的问题分布式求解模式经过相关领域研究者的关注和努力，已经在最初的算法模型基础上得到了很大的改进和拓展。
经过一定时间，从食物源返回的蚂蚁到达D点同样也碰到障碍物，也需要进行选择。此时A, B两侧的信息素浓度相同，它们仍然一半向左，一半向右。但是当A侧的蚂蚁已经完全绕过障碍物到达C点时，B侧的蚂蚁由于需走的路径更长，还不能到达C点。
此时对于从蚁巢出发来到C点的蚂蚁来说，由于A侧的信息素浓度高，B侧的信息素较低，就倾向于选择A侧的路径。这
样的结果是A侧的蚂蚁越来越多，最终所有蚂蚁都选择这条较短的路径。
上述过程，很显然是由蚂蚁所留下的信息素的“正反馈”过程而导致的。蚂蚁个体就是通过这种信息的交流来达到搜索食物的目的。蚁群算法的基本思想也是从这个过程转化而来的。
蚁群算法的特点1)蚁群算法是一种自组织的算法。在系统论中，自组织和它组织是组织的两个基本分类，其区别在于组织力或组织指令是来自于系统的内部还是来自于系统的外部，来自于系统内部的是自组织，来自于系统外部的是他组织。如果系统在获得空间的、时间的或者功能结构的过程中，没有外界的特定干预，我们便说系统是自组织的。在抽象意义上讲，自组织就是在没有外界作用下使得系统墒增加的过程(即是系统从无序到有序的变化过程)。蚁群算法充分休现了这个过程，以蚂蚁群体优化为例子说明。当算法开始的初期，单个的人工蚂蚁无序的寻找解，算法经过一段时间的演化，人工蚂蚁间通过信息激素的作用，自发的越来越趋向于寻找到接近最优解的一些解，这就是一个无序到有序的过程。
2)蚁群算法是一种本质上并行的算法。每只蚂蚁搜索的过程彼此独立，仅通过信息激素进行通信。所以蚁群算法则可以看作是一个分布式的多agent系统，它在问题空间的多点同时开始进行独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力。
3)蚁群算法是一种正反馈的算法。从真实蚂蚁的觅食过程中我们不难看出，蚂蚁能够最终找到最短路径，直接依赖于最短路径上信息激素的堆积，而信息激素的堆积却是一个正反馈的过程。对蚁群算法来说，初始时刻在环境中存在完全相同的信息激素，给予系统一个微小扰动，使得各个边上的轨迹浓度不相同，蚂蚁构造的解就存在了优劣，算法采用的反馈方式是在较优的解经过的路径留下更多的信息激素，而更多的信息激素又吸引了更多的蚂蚁，这个正反馈的过程使得初始的不同得到不断的扩大，同时又引导整个系统向最优解的方向进化。因此，
正反馈是蚂蚁算法的重要特征，它使得算法演化过程得以进行。
4)蚁群算法具有较强的鲁棒性。相对于其它算法，蚁群算法对初始路线要求不高，即蚁群算法的求解结果不依赖子初始路线的选择，而且在搜索过程中不需要进行人工的调整。其次，蚁群算法的参数数目少，设置简单，易于蚁群算法应用到其它组合优化问题的求解。
蚁群算法的应用进展以蚁群算法为代表的群智能已成为当今分布式人工智能研究的一个热点，许多源于蜂群和蚁群模型设计的算法己越来越多地被应用于企业的运转模式的研究。美国五角大楼正在资助关于群智能系统的研究工作-群体战略(Swarm Strategy)，它的一个实战用途是通过运用成群的空中无人驾驶飞行器和地面车辆来转移敌人的注意力，让自己的军队在敌人后方不被察觉地安全进行。英国电信公司和美国世界通信公司以电子蚂蚁为基础，对新的电信网络管理方法进行了试验。群智能还被应用于工厂生产计划的制定和运输部门的后勤管理。美国太平洋西南航空公司采用了一种直接源于蚂蚁行为研究成果的运输管理软件，结果每年至少节约了1000万美元的费用开支。英国联合利华公司己率先利用群智能技术改善其一家牙膏厂的运转情况。美国通用汽车公司、法国液气公司、荷兰公路交通部和美国一些移民事务机构也都采用这种技术来改善其运转的机能。鉴于群智能广阔的应用前景，美国和欧盟均于近几年开始出资资助基于群智能模拟的相关研究项目，并在一些院校开设群体智能的相关课程。国内，国家自然科学基金”十五”期间学科交叉类优先资助领域中的认知科学及其信息处理的研究内容中也明确列出了群智能领域的进化、自适应与现场认知主题。
蚁群优化算法最初用于解决TSP问题，经过多年的发展，已经陆续渗透到其他领域中，如，图着色问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题等。蚁群算法在若干领域己获得成功的应用，其中最成功的是在组合优化问题中的应用。
在网络路由处理中，网络的流量分布不断变化，网络链路或结点也会随机地失效或重新加入。蚁群的自身催化与正向反馈机制正好符合了这类问题的求解特点，因而，蚁群算法在网络领域得到一定应用。蚁群觅食行为所呈现出的并行与分布特性使得算法特别适合于并行化处理。因而，实现算法的并行化执行对于大量复杂的实际应用问题的求解来说是极具潜力的。
在某群体中若存在众多无智能的个体，它们通过相互之间的简单合作所表现出来的智能行为即称为集群智能(Swarm Intelligence)。互联网上的交流，不过是更多的神经元连接(人脑)通过互联网相互作用的结果，光缆和路由器不过是轴突和突触的延伸。从自组织现象的角度上看，人脑的智能和蚁群也没有本质上的区别，单个神经元没有智能可言，单个蚂蚁也没有，但是通过连接形成的体系，是一个智能体。（作者： 李精灵 编选：中国电子商务研究中心）
淘宝中影响销量的因素有很多，除去淘宝官方的规则以外，客户群体也是受到很多环境的影响的，分析下来，最重要的有如下几个：
一、节假日
如春节与春节喜庆相关的商品往往会得到热销，如对联、门福等，连带的还会影响如定制书法对联，还有礼品类的销售也会大大的带动，其它的又如情人节，父亲节，母亲节，国庆节等，都能将相关的商品充分带动起来，而商家需要做的是如何绞尽脑汁去做一些与节假日相关的活动，如父亲节推销各种打火机、皮带、男装、鞋、家居礼品、收藏品等等，针对节日不断进行宣传与促销，能够大大带动店铺的流量与成交。
二、白天或夜晚
一般的上班族白天大部分人要上班，即使有空逛淘宝，时间也比较少，而在晚上吃完饭后，要么看电视要么就是上网为主，往往此时会想到有些需要购买的东西，于是就会上淘宝搜寻，这段时间流量最为集中的主要是来自于上班一族，上班一族有个特点，大凡上淘宝都是冲着便宜的东西来的，有充分的时间逛淘宝，那么在19~23点这些黄金时间段中，应该偏重于推销打折或是价格上更为有利的商品，这样更容易产生成交，而在白天的话，应该多考虑一些质量较佳的，较上档次的商品，因为买家白天上网上淘宝，时间大多数并不多，通常为了不购买到质量较差的商品，往往会在短时间内选择进行购买，此时价格相对质量来说，占次要因素。
三、服务
除去一般只求便宜的人群外，淘宝上也有很多愿意花钱购买服务的客户，网店如果能够给予人安全、可靠、服务完善的印象，即使是价格略高一点，基本上就能达成成交，更重要的是，这部分客户往往会变成多次购买的回头客，在淘宝网经营中，会有很稳定的一部分收入是通过回头客产生的，良好的服务，不仅仅能建立一时的口碑，更重要的是能够给你带来固定的回头客。
四、节令
春有春装，夏有夏装，秋有秋装，冬有冬装，服装上的季节变化是比较明显的，但有很多商品的购买其实也受季节的影响，只是不易察觉。比如春天人易感冒，一感冒自然纸巾就会销量更好，夏天人容易得肠道疾病，卫生纸同样会销售很好：），如广东南方2月返潮，长江中下游地区进入入夏6月梅雨季节，雨具，除湿，除霉相关的东西会卖得更好，像烘干机除湿机之类的东西，经常有卖断货的情况，同时相应的，如茶叶之类，会变得滞销，因为容易发霉。由于季节影响，一些涉及大型运输的物件也公销量降低，如钢材等。此时的旅游业通常也受到影响，那么相关的产品，如订房或是门票之类的，自然销量也会降低。所以销售每一件商品时，一定要考虑到商品的季节的影响，以免出现盲目进货，造成库存积压。
五、虚荣的价值
只要让人感觉买了后让对方感觉自己确实得到了什么，即使是精神上的，那么也可以作为商品的附加值来提高商品价格。虚荣这个词带有些贬义，不过对于商业来说，虚荣是能让一件商品增值的好东西，虚荣转化成价值就能成为品牌的附加值，品牌商品，大部分能够在保证质量及安全的前提下（国内食品行业除外），提供附加的虚荣价值，为什么要用虚荣价值来描述，如果你创造了一个品牌，在具有特色的前提下，别人买了你的东西后，并不是宣扬你的品质多么好，而是四处故意有意无意拿给人看，以炫耀看他买了XX的东西，那么品牌的虚荣价值就算建立成功。很多流行的奢侈品牌，主要的购买的人群是有消费能力人群，而并不是真实有艺术鉴赏能力的人，大部分其实根本不懂那个品牌这样设计到底表达了什么，内涵是什么。所以如果创造品牌，在质量的基础上，应该花大力气努力提升品牌的虚荣价值。
六、 时机的优化
很多淘宝店在进行商品上架时，都做得很不完善，众所周知的是，淘宝的上架时间影响着宝贝在搜索结果里能否出现或在第几页能出现的重要指标之一，而大部分卖家都采用的是平均上架，或者是以百分比的形式分布在不同的时间段，这样确实能够减少手工劳动，但是这样是否有更好的做法？大家知道，宝贝的即将下架时间，离得越近，能够出现在搜索页中的概率就越高，有一些商品，大部分买家一般是在固定的时段才会上线购买(不同的商品不一样，具体数据在数据魔方中可以参考），而一般的上架工具，通常不会指定到哪一件商品应该在哪个时段上架，这样就有可能导致本来应该是峰值访问时，你的商品恰好已经过了最佳时间，并不会在搜索结果中出现，更为令人担心的，按目前淘宝的规则来说，如果你在什么时候下架，那么就会在什么时候上架，反复这样循环，总是会错过最佳时间，你的商品永远轮不到最佳推荐时间，甚至别人永远都不能在第一页中搜索到你的商品。
这里要应用一个2/8原则，即80%的客户都在搜索20%的关键词，80%的流量都集中在20%的关键词上，但是相应的，80%的人都会去争取热门关键词，获取的效率也相应只有20%，而针对剩下20%的流量，均分布在剩下80%的关键词中。假如一件包含“冬装”这个词的衣服，淘宝共计有6634279件，我们大概可以推算约5307424件是通过搜索“冬装”这种热门关键词能搜索到的，而淘宝一页默认显示40件，要多少页才能把这个显示完？答案是需要十万多页，考虑到即将下架商品排名问题，精确到每一分钟也会显示526件在前面，同样的，40页显示，也要十三页才能显示得完？你还是否有信心在采用热门关键词后，商品排在第十三页还能售出？再进一步考虑，这20%的热门关键词中，每1%个关键词有效率仅为：0.038，即只有千分之三点八的机率排布在首页第一位。
同时，剩下使用80%关键词的商品，则仅有1326855件，精确到第一分钟约有131件显示在前面几页，但请勿忘记了，这可是80%的关键词却是分散分布的，有效率却为0.61，即有61%的机会排在第一位显示，冬装类商品中，非热门关键字如果有效利用起来，按理论计算，其效率是热门关键字的16倍。
简单来说：假如有冬装类目有十个关键词，其中两个为热门关键词，八个为非热门关键词，手里有八件冬装商品，八件均采用热门关键词，仅有千分之三点八的机会显示在首页第一，如果八件均采用非热门关键词，则有61%的机会显示在首页第一位。
简而言之，如果大家都在针对一个关键字进行优化的话，那么这个关键字的成本就会不断上升，带来的流量时常大不如前。
如在大量作业的批处理系统中，为了照顾为数众多的段作业，应采用短作业优先的调度算法，平时处理事务时也是这样，分轻重缓急，这实际上就是事务的权重，轻重缓急的评估并进行优先排序原则，就是对事务的调度行为
轮转算法在小任务量不多时，并不一定比先来先到算法更有优势，当切换代价较小时，轮转算法因为有固定的时间片，固定的切换资源耗费，所以有可能导致耗费比先来先到更大，但在大量的小时间段任务出现时，轮转算法可以有效控制调度资源耗费，通常来说，如果大量的小任务执行时间相差不大，并且轮转算法的时间片恰好略大于小任务的执行时间时，轮转流将会发挥极高的效率，它最大的优势还有一点，不怕死机，总能拿得出资源来让其它任务执行。（除非全死锁了）
对于轮转算法的效率有一种改进的方案是，轮转算法中如果遇到需要耗时长的任务，那么就立即跳出轮转规则，采用先来先到算法，持续执行当前任务，好处是灵活，能提高不少效率，坏处是，失去了轮转算法不易死机及资源严格分配的优势，如果长时任务一旦突然完蛋，那么整个系统立即死机。
还有一种更加改过了的算法，名字很牛逼，叫”多级反馈队列算法"，听起来华丽丽的，虽然有点看不懂，但是MS很强大。第一次见到这名字的一般都被吓，感觉就像一个敌人全幅武装的盔甲在你面前，而你却拎着一根牙签想要干掉对方一样。
实际上没有那么可怕，你可以用一切语言去腹诽这个当年取了这个名字的家伙---严重怀疑肯定是个不学无术的流氓为了炫耀自己装作有文化的样子取了那么长的名字。
方法其实很简单，其实就是把快死的，或者老结束不了的任务踢一边去，最后再解决。先要准备几组任务进行，比如A1,A2,A3，现在有个任务X，放到A1中，固定时间内没解决，说明这厮很可疑，一脚踢A2去，A2里固定时间内还没解决，一脚踢A3去。如果持续来任务，都是这样照常办理，然后A1如果执行完了，再执行A2，然后A3。但如果有大量的小任务持续不断提供给A1的话，A1中一直不结束的话，那么A2或A3里永远得不到执行也是有可能的。这跟皇帝选妃子是一码事。
淘宝大部分商家依赖淘宝的自然搜索获取流量，从的查询排序规则中可以知道，淘宝关注商品的下架时间，离下架时间越近，那么商品被排名越会靠前。同时，被赋予橱窗推荐商品排名也会更加靠前，但是淘宝并未公布上架及橱窗在排名中占据的比重，我们只能粗糙知晓它非常重要，但重要到什么程度是仅凭感觉来操作的。淘宝上也可以见到有不少应用，为了减少人工操作的麻烦，会采用均匀分布时间商品上架时间策略，将店铺的上架时间分散到每一天各个时段，以起到让商品能够充分发挥参与淘宝排名的作用。这种方法相对于原始的纯手工操作上下架来说，确实是减少了不少工作量，但不得不指出这种处理方法有很多的缺陷。
均匀分布淘宝商品按时间均匀上架或按时间段百分比上架的弊端：
1 所有商品不分主次，随机分布，不考虑环境变化因素影响，一些不易产生销售的商品 ，可能占据黄金销售的时间段，并且会导致热门商品分布在冷落的时间段，冷门的商品分布在热门时间段，从而错过更架的销售时机。比如夏季夏装易售，冬季冬季易售，如果不进行分商品主次对待，统一按均匀时间上架，一样会导致夏季黄金时间，在搜索中排名的却是冬装，在冬季黄金时间，淘宝商家店铺上的排名占先的却是夏装，季节因素是相对比较好分辨的因素，其它还有很多不易察觉的因素，如周末人较放松，上网更容易产生与娱乐、休闲相关的消费，如与网游相关的道具等，人在晚上易放松，更易产生购买看起来漂亮的饰品、衣物等等，这些因素很容易就被掩盖过去。这样无法拉大热门商与冷门商品的差距，影响商家进货决策，不但容易错失商机，还容易造成资金分散或屯货积压现象发生。
2 商品没有来访人群针对性处理，如店铺某些时段来访人群更有可能是北京的，那么应该优先考虑推荐，如北京人最喜爱购买十字绣，甘肃人喜爱购买牛仔裤，山西人最喜爱购买送长辈的礼物等等，充分分析店铺上来源顾客地域分布及主要来源人群流量，如果针对这种情况，并能更进一步事先就对上架时间优化及合理的橱窗推荐的处理，必然能促进商品销售，提高店铺的转化率。
3 淘宝搜索页，因为数据量庞大，通常是采用缓存机制处理，而往往这个搜索运算建立在第一次搜索一个关键词的时候，然后会进行约15分钟缓存，如果是晚上黄金时间，缓存时间会更长，最长可长至30分钟左右，均匀上架在商品量很大时，商品之间的间隔上架无法控制在15或30分钟之内，结果就造成了大量的商品在同一时间出现，大大减少了搜索到的效率。
4 各卖家之间商品上架时间冲突，很多小卖家在使用商品上架工具后除了感觉方便一些，却未能感觉流量能够带来提升，其原因不过是因为，大部分上架工具对商品的上架时间是固定的，无论是一个商家的商品还是十个商家的商品，都有可能在同一个时刻上架，如果恰好还是同类商品的话的，按淘宝的默认查询规则，优先显示成交量高的或信用更高的， 自然小商家在使用此类工具后仍然占不到任何优势。
而橱窗推荐，一般提供三种策略：手动指定， 根据关键字指定，快下架的指定。这三种橱窗方案都有很多问题存在。
1 手动指定：手动指定的问题就是，卖家自己要清楚明白什么商品需要进行橱窗推荐，什么商品不要，但往往卖家对于有可能热销的商品也只是有一个模糊的印象，所以橱窗推荐一旦指定少了，必然会漏掉一些商品，如果橱窗推荐一旦指定多了，必然又起不到针对性推荐的作用。
2 关键字指定：关键字指定的好处是可灵活针对商品进设置，坏处便是过于死板，需要经常进行人工参与进行修改橱窗推荐规则，因为它不能适应环境变化，如冬季夏季换季问题，在使用时针对的进行有效橱窗推荐关键字自然也会有所变化。
3 快下架的指定：这种方案可以尽量扩大搜索权值，但是也会导致大量不必要的推荐发生，如果一个店铺上商品较多的话，同时有两件商品快下架，一件是极有可能产生热销的，另一件却是有可能完全不会产生任何销量，结果推荐到了不会产生销量的商品上，不仅仅会浪费一个可能促使达成交易的橱窗。
这三种方案相同的缺陷均是模型过于粗糙，不能准确而精细的控制淘宝店铺运作细节，主要的功能仍然减少了人工参与的繁琐，而没有上升到一个优化系统的层面上。