类 ShardOptimizer

方差感知智能分片优化器

核心算法改进（相比原 LPT 贪心）：

风险感知负载计算分片负载 = Σ(estimatedDuration) + riskPenalty * Σ(sqrt(variance)) 高方差测试的不确定性被显式建模，避免多个不稳定用例聚集在同一分片
多目标优化
- 主目标：最小化最大分片负载（makespan）
- 次目标：最小化分片间方差风险差异
- 约束：高方差测试尽量分散到不同分片
置信度加权低置信度测试的预估时间不确定性更高，分配时给予更大的风险惩罚
两阶段分配第一阶段：LPT 基础分配（确定性测试）第二阶段：方差感知重平衡（高风险测试分散化）

索引

构造函数

方法

optimize getShardLoads

构造函数

constructor

new ShardOptimizer(
durationHistory?: Map<string, TestDurationHistory>,
calibrationFactor?: number,
): ShardOptimizer
参数
- 可选durationHistory: Map<string, TestDurationHistory>
- 可选calibrationFactor: number
返回 ShardOptimizer
- 定义于 packages/executor/dist/orchestrator/index.d.ts:111

方法

optimize

optimize(
assignments: TestAssignment[],
totalShards: number,
): Promise<Map<number, TestAssignment[]>>
执行方差感知的分片优化
参数
- assignments: TestAssignment[]
  测试分配列表，需包含 estimatedDuration、durationConfidence、durationVariance
- totalShards: number
  总分片数
返回 Promise<Map<number, TestAssignment[]>>
分片 ID → 测试分配列表的映射
- 定义于 packages/executor/dist/orchestrator/index.d.ts:118

getShardLoads

getShardLoads(): number[]
获取最近一次优化后的各分片负载

返回 number[]
- 定义于 packages/executor/dist/orchestrator/index.d.ts:137